影像处理作业心得:直方图以及直方图均化
1.
练习：
1.1 控件
做这个之前先练习了一下builder里面各个控件的使用，遇到了些小问题，如tabsheet内部控件的归属一开始用拉的，则总会默认拉到form中，使得运行时任意一个tabsheet中都看到该控件，这个时候有两个解决方法（经过尝试得出）:
l 删掉该控件，重新选择控件，用点击的方式，点到tabsheet中则可。
l 在builder的structure视图中（见图1.1）使用拉的方式，将控件拉回到tabsheet中。
1.2 简单处理
先尝试了自己做一些简单的操作如打开文件、保存文件、显示单个通道（红、绿、蓝、灰阶）、负片、鼠标滑过rgb值显示以及画图（矩形，线条）
Figure 1.1
2.
直方图与直方图均化
2.1直方图
实现阐述:
直方图的算法就是scan图片的像素值分别统计R、G、B各个色阶数目保存在数组中，再利用所得数据画线则可，算法简明。同样的，累积数据只要单独处理头值[Channel][0]之后用当前数目加上上一个值的累积数则可。
直方图中要常用到的数据刚好是label显示中的四种数据（显示数据时要根据滑鼠的位置反向推导出通道值和色阶值，计算一下则可），Pixel Count, Pixel Ratio, Cumulative Pixel Count, Cumulative Pixel Ratio
（便于滑鼠经过显示数据mousemove事件的编写）
对于这四种数据考虑到会常用，则选择都用数组来存储，大小均为[3][256]。
四个数据的统计在一个事件里完成，也就是菜单栏的histogram选项点击事件。直方图画图函数是直接把三个通道值画出，在后面写到checkbox的处理时，就会代码重用性降低，因此改写了代码，画直方图的函数改为传进参数channel（所需画的通道），再根据通道来画红、蓝、绿。修改原直方图程式为调用三次画图程式，分别红蓝绿，三个的勾选改变事件只要关联其中一个勾选改变程式就可以，如Red勾选改变，在处理程式里面都要判断选择的是简单Histogram还是Cumulative的，继而判断三个颜色的，再执行相应操作。这样子代码重用性加强，也便于在调整UpDown的时候根据勾选重画直方图。
四个数据的统计在一个事件里完成，也就是菜单栏的histogram选项点击事件。直方图画图函数是直接把三个通道值画出，在后面写到checkbox的处理时，就会代码重用性降低，因此改写了代码，画直方图的函数改为传进参数channel（所需画的通道），再根据通道来画红、蓝、绿。修改原直方图程式为调用三次画图程式，分别红蓝绿，三个的勾选改变事件只要关联其中一个勾选改变程式就可以，如Red勾选改变，在处理程式里面都要判断选择的是简单Histogram还是Cumulative的，继而判断三个颜色的，再执行相应操作。这样子代码重用性加强，也便于在调整UpDown的时候根据勾选重画直方图。
一开始看到教学部落格里面说:
---“在 Histogram Page 中, 直方圖是用一張高 256 寬 768 的圖形來繪製, 寬之所以為 768 的原因是需要顯示紅、綠、藍等三個色彩的直方圖, 每個色彩需要 256 條直線, 一共 256*3=768 條直線繪製完整的直方圖。”
自己就立马认为是R、G、B分别用0~255,256~511、512~768来显示，因此显示的是三个通道的分部分开的直方图，这样出来的效果（如图2.1.1）比较单一，没那么好看。可是继续看到看到部落格直方图分部都是占满整个横轴（图2.1.2）就在思考三个颜色分开为什么会重叠并且连续，在这上面好像卡了一下，但先放着继续做了后面的分析，等到星期二晚问了老师才知道是错开显示，也就是R、G、B、R、G、B这样，因此只要修改函数里循环处理内容的位置索引就可以了。
如下
之前
|
ImageHistogram->Canvas->MoveTo(j
+ i*255, pHeight); ImageHistogram->Canvas->LineTo(j
+ i* 255, (int)YValue);
|
之后
|
ImageHistogram->Canvas->MoveTo(3
* j + i, pHeight); ImageHistogram->Canvas->LineTo(3
* j + i, (int)YValue);
|
Figure 2.1.1
Figure 2.1.2
2.2 直方图均化
均化就是将原本密集的直方分布分散，说白了就是增大对比度。简单处理原理为：色阶值 = 原色阶值*累积比例。
设图片大小M*N，建表3*M*N：
一开始自己写的是读取图片各个像素点的RGB值并且转换为新的均化后的值存在M*N的矩阵里面，然后再在结果图中一个点一个点去写，这样子效率极低，而且出错率高，以至于均化运行的时候出来的结果多样，出现过以下情况（原图为老师提供的鸟图）
这种实现比较繁杂，因为要是3*M*N的矩阵，则要用指针动态分配数组3*M*N，然后之后使用的时候索引要注意一维数组当做二维数组的使用，容易算错索引到时index
out of range.解决了问题之后，给出了一个奇怪的结果，也许是不小心灰阶处理了。
一开始以为看得到轮廓就是写好了，后来调试的时候觉得色阶处理有问题，则重新思考了色阶的数据结构。因为同一个色阶n转换之后的值m是一样的，因此改用了[3][256]重新作为结果数组存储数值，在scan图片的时候找出对应的更改后的值再赋值。结构相对小，处理比较简单，所以修改之后运行效果很快出来，达到预期效果。由于是另外一张图片显示结果，所以声明两个byte的指针，一个用于原图分析原色阶，通过数组去获得修改后色阶，改写另一个结果图的色阶。
for(i = 0 ; i
<ImageOrigin->Picture->Height; i ++ )
{
bptr
= (Byte *)ImageProcess->Picture->Bitmap->ScanLine[i];
obptr
= (Byte *)ImageOrigin->Picture->Bitmap->ScanLine[i];
for(j
= 0 ; j <ImageProcess->Picture->Width; j ++)
{
for(k = 0 ; k < Channel; k ++)
bptr[
j*3 + k ] = EqualizationMatrix[k][obptr[ j*3 + k ]];
}
}
|
2.3 直方图均化程度选择
给出min，max，将原直方图疏松到min，max之间，而不是原来的0到255
先找到了Tracebar控件去获得用户输入，没找到两头的，就用两个来分别获得min、max。
将色阶修改算法改一点，为value = min + （Rvalue * cdf）* (max - min) + 0.5
新的程式码如下：
for(i = 0 ; i < Channel ; i ++)
{
for(j = 0 ; j < 256;
j++ )
{
EqualizationMatrix[i][j]
= EqualMin + (int)(CPCRatio[i][j]/100.0 * (EqualMax -EqualMin) + 0.5);
}
//原式EqualizationMatrix[i][j] = (int)(CPCRatio[i][j]/100.0 * 255.0 +
0.5);
} |
结果图展示
原图：
普通直方图：
红：
 |
绿：
 |
蓝：
 |
红绿：
 |
红蓝：
 |
绿蓝：
 |
红绿蓝：
 |
红绿蓝ButtonUp：
 |
红绿蓝ButtonDown：
 |
累积图：
红：
 |
绿：
 |
蓝：
 |
红绿：
 |
红蓝：
 |
绿蓝：
 |
红绿蓝：
 |
红绿蓝ButtonUp：
 |
红绿蓝ButtonDown：
 |
简易均化效果图：
可以看出，花的均化效果跟原图作比较，没有很大的差别，原图的直方图分部已经布满0-255了，所以均化后效果不会特别突出。
测试均化效果：
原图：
直方图：
简易均化（默认0-255）：
均化后直方图：
此时鸟均化后的图明显比原图对比大，颜色明显，而原图直方分布比较密集，集中在值比较小的区域，在均化之后图片的直方图分布已经扩展到整个0-255，对比度大大增强，效果明显。
因此，直方均化比较适用于直方分布比较密集，对比度低的图片，不适合比较平坦的直方图。
根据以上结论，均化自己拍摄的图片：
原图：
均化效果：
可以清楚看到为浴室
调整均化程度：
调整output level(滑动tracebar)为min-max
0-82：
0-159：
直方图：
70-255：
直方图：
139-255：
直方图：
255-0：（min>max）
255-0：（min>max）
直方图：
总的来说，虽然完成所有功能的实现，但完成这次作业首先花了一部分时间熟悉环境，在不断的编写过程中会出现比较粗心的错误，如变量名搞错之类的，小错误造成大差别。编写的方法不断修改，也许开始做作业前欠充分的考虑，导致方法未能一开始达到理想，而使用的数据结构也是，应多思考实现的算法高效性，如M*N矩阵。下次作业谨记这次教训。
沒有留言:
張貼留言