目标

在本教程中，您将学习：

• 什么是图像直方图以及它为什么有用
• 使用 OpenCV 函数 cv：：equalizeHist 均衡图像的直方图

理论

什么是图像直方图？

• 它是图像强度分布的图形表示。
• 它量化了所考虑的每个强度值的像素数。

什么是直方图均衡？

• 这是一种提高图像对比度的方法，以拉伸强度范围（另请参阅相应的维基百科条目）。
• 为了更清晰起见，从上图中可以看出，像素似乎聚集在可用强度范围的中间。直方图均衡的作用是扩展此范围。请看下图： 绿色圆圈表示人口不足的强度。应用均衡后，我们得到一个直方图，如中心图所示。生成的图像如右图所示。

它是如何工作的？

• 均衡意味着将一个分布（给定的直方图）映射到另一个分布（更广泛、更均匀的强度值分布），以便强度值分布在整个范围内。

• 为了实现均衡效果，重映射应该是*累积分布函数（cdf）（更多细节，请参考学习OpenCV）。*对于直方图\（H（i）\），其).对于直方图\（H^{'}（i）\）为：

  [H^{'}（i） = \sum_{0 \le j < i} H（j）]

  要将其用作重映射函数，我们必须对 \（H^{'}（i）\） 进行归一化，使最大值为 255（或图像强度的最大值）。从上面的例子来看，累积函数为：

  

• 最后，我们使用一个简单的重映射过程来获得均衡图像的强度值：

  [equalized（ x， y ） = H^{'}（ src（x，y） ）]

法典 C++爪哇岛蟒

• 这个程序是做什么的？

  • 加载图像
  • 将原始图像转换为灰度
  • 使用 OpenCV 函数 cv：：equalizeHist 均衡直方图
  • 在窗口中显示源图像和均衡图像。

• 可下载代码：点击这里

• 代码一览：

  #include“opencv2/imgcodecs.hpp”

  #include “opencv2/highgui.hpp”

  #include“opencv2/imgproc.hpp”

  #include < iostream>

  使用命名空间 CV;

  使用命名空间 std;

  int main（ int argc， char** argv ）

  {

  ​ CommandLineParser 解析器（ argc， argv， “{@input |莉娜.jpg |输入图像}” );

  ​ Mat src = imread（ samples：：findFile（ parser.get<String>（ “@input” ） ）， IMREAD_COLOR );

  ​ if（ src.空() )

  ​ {

  cout << “无法打开或找到图像！”<<结束;

  cout << “Usage： ” << argv[0] << “ ” << endl;

  ​ 返回 -1;

  ​ }

  ​ cvtColor（ src， src， COLOR_BGR2GRAY );

  ​ 垫子 dst;

  ​ equalizeHist（ src， dst ）;

  ​ imshow（ “源图像”， src ）;

  ​ imshow（ “均衡图像”， dst ）;

  ​ 等待键();

  ​ 返回 0;

  }

解释 C++爪哇岛蟒

• 加载源图像：

CommandLineParser 解析器（ argc， argv， “{@input |莉娜.jpg |输入图像}” );

Mat src = imread（ samples：：findFile（ parser.get[>（ “@input” ） ）， IMREAD_COLOR );

​ 如果（ src.empty（） ）

​ {

cout << “无法打开或找到图像！”<<结束;

cout << “Usage： ” << argv[0] << “ ” << endl;

​ 返回 -1;

​ }

• 将其转换为灰度：

​ cvtColor（ src， src， COLOR_BGR2GRAY );

• 使用函数 cv：：equalizeHist 应用直方图均衡：

垫子 dst;

​ equalizeHist（ src， dst ）;

可以很容易地看出，唯一的参数是原始图像和输出（均衡）图像。

• 显示两个图像（原始图像和均衡图像）：

​ imshow（ “源图像”， src ）;

​ imshow（ “均衡图像”， dst ）;

• 等到用户存在程序

​ 等待键();

结果

1. 为了更好地理解均衡的结果，让我们介绍一个对比度不高的图像，例如：

   

   顺便说一句，它有这个直方图：

   

   请注意，像素聚集在直方图的中心周围。

2. 在用我们的程序应用均衡后，我们得到这个结果：

   

   这张图片肯定有更多的对比。查看其新的直方图，如下所示：

   

   请注意像素数在强度范围内的分布情况。
   注意

你想知道我们是如何绘制上面显示的直方图的吗？看看下面的教程！

在线教程

• 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
• 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
• EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
• 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
• 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
• 机器学习 – 有指导和无指导情况下的基本机器学习算法
• 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
• 斯坦福统计学习
  有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
  ​

人工智能书籍

• OpenCV（中文版）.(布拉德斯基等)
• OpenCV+3计算机视觉++Python语言实现+第二版
• OpenCV3编程入门 毛星云编著
• 数字图像处理_第三版
• 人工智能:一种现代的方法
• 深度学习面试宝典
• 深度学习之PyTorch物体检测实战
• 吴恩达DeepLearning.ai中文版笔记
• 计算机视觉中的多视图几何
• PyTorch-官方推荐教程-英文版
• 《神经网络与深度学习》(邱锡鹏-20191121)
• …
  

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​