数字图像处理——直方图均衡化与颜色迁移算法的c++实现

关注

VIP免费原创最新推荐文章于 2026-08-16 15:30:14 发布 1.6k 阅读 AI 写同款· GEO 优化 ›

用C++（OpenCV）自己实现彩色直方图均衡化 对于直方图均衡化，我的理解是一个图像原来的像素集中在一个灰度范围里，我们对这种图不敏感，因为其灰度值集中，变化不明显。如果我们把这些像素点的灰度范围扩大，图像就会显得比较清晰。直方图均衡化就是通过一个映射函数，把原图像素点的灰度值映射为一个新的值，使得图像的像素点灰度值在全部灰度范围内比较均匀分布。阅读详情

项目源代码下载链接（VS2015）

1.直方图均衡化

主要思想：

把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。
直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。设原始图像在(x，y)处的灰度为f，而改变后的图像为g，则对图像增强的方法可表述为将在(x，y)处的灰度f映射为g。在灰度直方图均衡化处理中对图像的映射函数可定义为:g = EQ (f)，这个映射函数EQ(f)必须满足两个条件(其中L为图像的灰度级数):
(1)EQ(f)在0≤f≤L-1范围内是一个单值单增函数。这是为了保证增强处理没有打乱原始图像的灰度排列次序，原图各灰度级在变换后仍保持从黑到白(或从白到黑)的排列。
(2)对于0≤f≤L-1有0≤g≤L-1，这个条件保证了变换前后灰度值动态范围的一致性。
累积分布函数(cumulative distribution function，CDF)即可以满足上述两个条件，并且通过该函数可以完成将原图像f的分布转换成g的均匀分布。此时的直方图均衡化映射函数为: = EQ( ) = (ni/n) = pf() ，(k=0，1，2，……，L-1)
上述求和区间为0到k，根据该方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值。在实际处理变换时，一般先对原始图像的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计算出的累计直方图分布求出到的灰度映射关系。在重复上述步骤得到源图像所有灰度级到目标图像灰度级的映射关系后，按照这个映射关系对源图像各点像素进行灰度转换，即可完成对源图的直方图均衡化。

c++实现主要代码：

//统计灰度频率直方图
cimg_forXY(image, i, j) {
if (image.spectrum() == 1) greyCount[image(i, j)]++;
else if (image.spectrum() == 3) {
    rCount[image(i, j, 0)]++;
    gCount[image(i, j, 1)]++;
    bCount[image(i, j, 2)]++;

}

//累加，扩展到[0, 255]，得到新的灰度级
for (i = 1; i < dim; i++) {
    greyCount[i] += greyCount[i - 1];
    bCount[i] += bCount[i - 1];
    gCount[i] += gCount[i - 1];
    rCount[i] += rCount[i - 1];

    //扩展到[0, 255]
    greyNew[i] = ((float)greyCount[i] / image._width / image._height) * (dim - 1) + 0.5;

    bNew[i] = ((float)bCount[i] / image._width / image._height) * (dim - 1) + 0.5;
    rNew[i] = ((float)rCount[i] / image._width / image._height) * (dim - 1) + 0.5;
    gNew[i] = ((float)gCount[i] / image._width / image._height) * (dim - 1) + 0.5;
    }

//灰度转换
//如果是灰度图
if (image.spectrum() == 1) {
&nb