Ecualización de histograma: Mejora del contraste de la imagen para mejorar la percepción visual
Por Fouad Sabry
()
Información de este libro electrónico
Qué es la ecualización de histograma
La ecualización de histograma es un método en el procesamiento de imágenes para ajustar el contraste utilizando el histograma de la imagen.
Cómo lo hará beneficio
(I) Información y validaciones sobre los siguientes temas:
Capítulo 1: Ecualización de histograma
Capítulo 2: Función de distribución acumulativa
Capítulo 3: Histograma
Capítulo 4: Variable aleatoria
Capítulo 5: Estadística de orden
Capítulo 6: HSL y HSV
Capítulo 7: Histograma de color
Capítulo 8: Distribución uniforme continua
Capítulo 9: Resolución óptica
Capítulo 10: Función de distribución empírica
(II) Respondiendo a las principales preguntas del público sobre la ecualización de histograma.
(III) Ejemplos del mundo real para el uso de la ecualización de histograma en muchos campos.
Quién este libro es para
Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básica para cualquier tipo de ecualización de histograma.
Lee más de Fouad Sabry
Tecnologías Emergentes en Agricultura [Spanish]
Relacionado con Ecualización de histograma
Títulos en esta serie (100)
Visión estéreo por computadora: Explorando la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVisión por computadora submarina: Explorando las profundidades de la visión por computadora debajo de las olas Calificación: 0 de 5 estrellas0 calificacionesVisión por computador: Explorando las profundidades de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación de Hadamard: Revelando el poder de la transformación de Hadamard en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesRetinax: Revelando los secretos de la visión computacional con Retinex Calificación: 0 de 5 estrellas0 calificacionesEcualización de histograma: Mejora del contraste de la imagen para mejorar la percepción visual Calificación: 0 de 5 estrellas0 calificacionesSistema de gestión de color: Optimización de la percepción visual en entornos digitales Calificación: 0 de 5 estrellas0 calificacionesTransformación de radón: Revelando patrones ocultos en datos visuales Calificación: 0 de 5 estrellas0 calificacionesEn Pintura: Cerrar brechas en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCorrección gamma: Mejora de la claridad visual en la visión por computadora: la técnica de corrección gamma Calificación: 0 de 5 estrellas0 calificacionesReducción de ruido: Mejora de la claridad, técnicas avanzadas para la reducción del ruido en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCompresión de imagen: Técnicas eficientes para la optimización de datos visuales Calificación: 0 de 5 estrellas0 calificacionesHistograma de imagen: Revelando conocimientos visuales, explorando las profundidades de los histogramas de imágenes en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesFunción de combinación de colores: Comprensión de la sensibilidad espectral en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación dura: Revelando la magia de Hough Transform en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDifusión anisotrópica: Mejora del análisis de imágenes mediante difusión anisotrópica Calificación: 0 de 5 estrellas0 calificacionesPercepción visual: Información sobre el procesamiento visual computacional Calificación: 0 de 5 estrellas0 calificacionesModelo de apariencia de color: Comprensión de la percepción y la representación en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo del sistema visual humano: Comprender la percepción y el procesamiento Calificación: 0 de 5 estrellas0 calificacionesHomografía: Homografía: Transformaciones en Visión por Computador Calificación: 0 de 5 estrellas0 calificacionesMapeo de tonos: Mapeo de tonos: perspectivas iluminadoras en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo de color: Comprensión del espectro de la visión por computadora: exploración de modelos de color Calificación: 0 de 5 estrellas0 calificacionesTransformacion afin: Desbloqueo de perspectivas visuales: exploración de la transformación afín en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesLeast Squares: Técnicas de optimización para visión por computadora: métodos de mínimos cuadrados Calificación: 0 de 5 estrellas0 calificacionesJoint Photographic Experts Group: Liberando el poder de los datos visuales con el estándar JPEG Calificación: 0 de 5 estrellas0 calificacionesContorno activo: Avances en la visión por computadora con técnicas de contorno activo Calificación: 0 de 5 estrellas0 calificacionesPerfil de color: Explorando la percepción y el análisis visual en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación de característica invariante de escala: Revelando el poder de la transformación de características invariantes de escala en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDetección de contorno: Revelando el arte de la percepción visual en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDetector de bordes astuto: Revelando el arte de la percepción visual Calificación: 0 de 5 estrellas0 calificaciones
Libros electrónicos relacionados
Mapeo de colores: Explorando la percepción y el análisis visual en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCortes de gráficos de visión por computadora: Explorando cortes de gráficos en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesMapeo de tonos: Mapeo de tonos: perspectivas iluminadoras en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesInterpolación bilineal: Mejora de la resolución y claridad de la imagen mediante interpolación bilineal Calificación: 0 de 5 estrellas0 calificacionesRepresentación de volumen: Explorando el realismo visual en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEditora de gráficos ráster: Transformando realidades visuales: dominio de los editores de gráficos rasterizados en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesHistograma de gradientes orientados: Revelando el ámbito visual: explorando el histograma de gradientes orientados en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesSegmentación de imagen: Desbloqueo de información a través de Pixel Precision Calificación: 0 de 5 estrellas0 calificacionesHistograma de imagen: Revelando conocimientos visuales, explorando las profundidades de los histogramas de imágenes en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráficos rasterizados: Comprender los fundamentos de los gráficos rasterizados en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesProcesamiento de imágenes piramidales: Explorando las profundidades del análisis visual Calificación: 0 de 5 estrellas0 calificacionesMapeo de relieve: Mapeo de relieve: exploración de la profundidad en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráficos por computadora de vértice: Explorando la intersección de los gráficos por computadora Vertex y la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráfico de trama digital: Revelando el poder de los gráficos rasterizados digitales en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesMétodo de ajuste de nivel: Avances en la visión por computadora, exploración del método de conjunto de niveles Calificación: 0 de 5 estrellas0 calificacionesVisión estéreo por computadora: Explorando la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEstimación de movimiento: Avances y aplicaciones en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesComposición alfa: Dominar el arte de la composición de imágenes en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesClasificación de imágenes contextuales: Comprensión de los datos visuales para una clasificación eficaz Calificación: 0 de 5 estrellas0 calificacionesSistema de gestión de color: Optimización de la percepción visual en entornos digitales Calificación: 0 de 5 estrellas0 calificacionesCorrección gamma: Mejora de la claridad visual en la visión por computadora: la técnica de corrección gamma Calificación: 0 de 5 estrellas0 calificacionesAjuste del paquete: Optimización de datos visuales para una reconstrucción precisa Calificación: 0 de 5 estrellas0 calificacionesMosaico de documentos: Desbloqueo de información visual a través del mosaico de documentos Calificación: 0 de 5 estrellas0 calificacionesModelo de cámara estenopeica: Comprender la perspectiva a través de la óptica computacional Calificación: 0 de 5 estrellas0 calificacionesDetector de bordes astuto: Revelando el arte de la percepción visual Calificación: 0 de 5 estrellas0 calificacionesEditora de gráficos vectoriales: Potenciando la creación visual con algoritmos avanzados Calificación: 0 de 5 estrellas0 calificacionesFlujo óptico: Explorando patrones visuales dinámicos en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelado y renderizado basado en imágenes: Explorando el realismo visual: técnicas en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesAntialiasing: Mejora de la claridad visual en la visión por computadora Calificación: 0 de 5 estrellas0 calificaciones
Inteligencia (IA) y semántica para usted
El mito de la inteligencia artificial: Por qué las máquinas no pueden pensar como nosotros lo hacemos Calificación: 5 de 5 estrellas5/5El poder de las imagenes, la palabra no tiene poder Calificación: 0 de 5 estrellas0 calificacionesCómo Ganar Dinero por Internet con Inteligencia Artificial Emprende tu negocio digital con ChatGPT, Escríbelo.ia, Playground AI, You.com, Canva, Midjourney, Dall-E 2, Amazon... Calificación: 0 de 5 estrellas0 calificacionesCómo usar Chatgpt para tu negocio Calificación: 0 de 5 estrellas0 calificacionesEl imperio de los algoritmos: IA inclusiva, ética y al servicio de la humanidad Calificación: 0 de 5 estrellas0 calificacionesSobreviviendo a la IA Calificación: 3 de 5 estrellas3/5Desarrollo de aplicaciones C#: con Visual Studio .NET Curso práctico Calificación: 0 de 5 estrellas0 calificacionesChat GPT-4 para Principiantes: Chat GPT, #1 Calificación: 0 de 5 estrellas0 calificacionesInteligencia artificial: con aplicaciones a la ingeniería Calificación: 0 de 5 estrellas0 calificacionesFundamentos de Programación: Diagramas de flujo, Diagramas N-S, Pseudocódigo y Java Calificación: 0 de 5 estrellas0 calificacionesANDROID: Aprende desde cero a crear aplicaciones Calificación: 0 de 5 estrellas0 calificacionesGuíaBurros: Inteligencia Artificial: Su lado oscuro y el fin del principio Calificación: 0 de 5 estrellas0 calificacionesDominando ChatGPT: Desbloquea el poder de la IA para mejorar la comunicación y las relaciones: Spanish Calificación: 3 de 5 estrellas3/5¿Cómo piensan las máquinas?: Inteligencia artificial para humanos Calificación: 5 de 5 estrellas5/5Programación de Inteligencia Artificial. Curso Práctico Calificación: 0 de 5 estrellas0 calificacionesArquitectura de computadoras Calificación: 0 de 5 estrellas0 calificacionesDiseño de algoritmos y su programación en C Calificación: 0 de 5 estrellas0 calificacionesInteligencia artificial: Una exploración filosófica sobre el futuro de la mente y la conciencia Calificación: 4 de 5 estrellas4/5Introducción a la Ingeniería Industrial Calificación: 0 de 5 estrellas0 calificacionesMonetización de ChatGPT: aproveche el poder de AI: Spanish Calificación: 1 de 5 estrellas1/5Estructuras de Datos Básicas: Programación orientada a objetos con Java Calificación: 5 de 5 estrellas5/5Inteligencia artificial: la cuarta revolución industrial Calificación: 0 de 5 estrellas0 calificacionesMecatrónica Calificación: 0 de 5 estrellas0 calificacionesKlara y el Sol Calificación: 5 de 5 estrellas5/5Python fácil Calificación: 4 de 5 estrellas4/5Aprendizaje automático y profundo en python: Una mirada hacia la inteligencia artificial Calificación: 0 de 5 estrellas0 calificacionesLaravel: Curso práctico de formación Calificación: 0 de 5 estrellas0 calificacionesResumen CHAT GPT IA Revolución en 2023: Guía de la Tecnología CHAT GPT y su Impacto Social: Resumen Tecnológico, #1 Calificación: 0 de 5 estrellas0 calificaciones
Comentarios para Ecualización de histograma
0 clasificaciones0 comentarios
Vista previa del libro
Ecualización de histograma - Fouad Sabry
Capítulo 1: Ecualización del histograma
En el procesamiento de imágenes, la ecualización del histograma es una técnica para ajustar el contraste mirando el histograma de la imagen.
Cuando una imagen tiene un rango limitado de valores de intensidad, esta técnica se utiliza para aumentar el contraste global de numerosas imágenes. Esta modificación permite una aplicación más uniforme de la gama completa de intensidades en todo el histograma. Esto hace posible que las áreas con poco contraste local mejoren sus niveles de diferenciación. El contraste de la imagen se reduce mediante el uso de la ecualización del histograma mediante la distribución efectiva de los valores de intensidad densamente empaquetados.
La técnica funciona bien cuando el primer plano y el fondo de una imagen tienen el mismo brillo o contraste. En las radiografías, por ejemplo, el procedimiento puede mejorar la visibilidad de la estructura ósea, y en las imágenes subexpuestas o sobreexpuestas, puede restaurar los detalles. El principal beneficio del método es que es una técnica simple que se puede adaptar fácilmente a cualquier imagen de entrada dada y a cualquier operador que se pueda invertir. Por lo tanto, en teoría, el histograma original se puede restaurar si se conoce la función de ecualización del histograma. Hay poco trabajo informático involucrado en el cálculo. La falta de selectividad del método es un inconveniente. Podría hacer que el ruido sea más perceptible y, al mismo tiempo, reducir la calidad de la transmisión.
La pequeña relación señal-ruido suele dificultar las detecciones visuales en las imágenes científicas en las que la correlación espacial es más significativa que la intensidad de la señal (como la diferenciación de segmentos de ADN de longitud cuantificada).
La ecualización del histograma es excelente para fotos científicas como imágenes térmicas, satelitales o de rayos X, la misma categoría de imágenes a las que se aplicaría un color falso, pero a menudo da resultados poco naturales en fotografía. Cuando se aplica a fotografías con una profundidad de color baja, la ecualización del histograma puede producir resultados no deseados (como un degradado visual notable). Si lo usa en una imagen de 8 bits que se presenta con una paleta de escala de grises de 8 bits, por ejemplo, la profundidad de color de la imagen (el número de tonos de escala de grises distintos) se reducirá aún más. Las fotos con una profundidad de color mayor que el tamaño de la paleta, como los datos continuos o las imágenes en escala de grises de 16 bits, serán las que más se beneficien de la ecualización del histograma.
La ecualización del histograma se puede ver e implementar de dos maneras distintas: como un cambio de imagen o un cambio de paleta. Específicamente, dada una imagen de entrada I, una paleta P y una imagen de salida M, la operación se puede escribir como P(M(I)). La ecualización del histograma se puede implementar como un cambio de paleta o un cambio de asignación si se define una nueva paleta como P'=P(M), con la imagen I sin modificar. Alternativamente, si la paleta P se mantiene igual y la imagen se altera a I'=M(I), entonces la implementación se lleva a cabo a través de un cambio en la imagen misma. Es preferible cambiar la paleta porque protege la información original.
Algunas variantes de esta técnica emplean una colección de histogramas (denominados subhistogramas) para resaltar las diferencias regionales en lugar de las globales. La ecualización adaptativa del histograma, la ecualización del histograma adaptativo con limitación de contraste (CLAHE), la ecualización del histograma multipico (MPHE) y la ecualización del bihistograma optimizado beta multipropósito son métodos que entran en esta categoría (MBOBHE). Estas técnicas, especialmente MBOBHE, tienen como objetivo ajustar el algoritmo HE para aumentar el contraste sin introducir aberraciones de desplazamiento medio de brillo y pérdida de detalle.
Como un subconjunto de la categoría más amplia de técnicas de reasignación de histogramas, la ecualización de histogramas es una herramienta útil. Estas técnicas tienen como objetivo aumentar la calidad visual y hacer que las imágenes sean más fáciles de interpretar (por ejemplo, retinex)
A continuación, el histograma ajustado se aplica a la imagen original en un proceso conocido como retroproyección (o proyecto
), que actúa como una base de datos de búsqueda de los niveles de brillo de los píxeles.
La función asigna el valor del intervalo del histograma a la imagen de salida, donde las coordenadas del intervalo están determinadas por los valores de píxeles de cada grupo de entrada recopilados de todas las fotografías de un solo canal en el mismo lugar. El valor de cada píxel en la imagen final representa la probabilidad estadística de que su grupo de píxeles de entrada coincidente sea del mismo objeto que el histograma de ese elemento.
Considere una imagen discreta en escala de grises {x} y sea ni el número de ocurrencias del nivel de gris i.
La probabilidad de que la imagen contenga un píxel con nivel de intensidad I es
\ p_{x}(i)=p(x=i)={\frac {n_{i}}{n}},\quad 0\leq i<L{\displaystyle \ L} Siendo el número total de niveles de gris en la imagen (típicamente 256), n representa el número de píxeles de la imagen, y p_{x}(i) siendo de hecho el histograma de la imagen para el valor de píxel i, calibrado al intervalo [0,1].
La función de distribución acumulativa para I se definirá como
{\displaystyle \operatorname {cdf} _{x}(i)=\sum _{j=0}^{i}p_{x}(x=j)} , además de ser el histograma normalizado de los datos recopilados de la imagen.
Nos gustaría crear una transformación de la forma {\displaystyle \ y=T(x)} para producir una nueva imagen {y}, en cuanto al histograma, cero.
En este caso, la función de distribución acumulativa (CDF) de los valores de la imagen sería lineal, es decir,
{\displaystyle \operatorname {cdf} _{y}(i)=(i+1)K} para {\displaystyle 0\leq i
para alguna constante. {\displaystyle \ K}
Esta transformación es posible debido a las características de la CDF (ver Función de distribución inversa); En concreto, significa
{\displaystyle \ y=T(k)=\operatorname {cdf} _{x}(k)}donde \ k está en el rango {\displaystyle [0,L-1])} .
Observe que \ T mapea los niveles en el rango [0,1], porque utilizamos un histograma estandarizado de x.
Conciliando los valores con su dominio original, Para obtener el resultado deseado, se debe realizar la siguiente transformación sencilla en la salida:
{\displaystyle \ y^{\prime }=y\cdot (\max\{x\}-\min\{x\})+\min\{x\}=y\cdot (L-1)}.
Aquí, presentamos una derivación más profunda.
\ y es un valor real, mientras que {\displaystyle \ y^{\prime }} tiene que ser un número entero.
El uso de la operación de redondeo es una solución común y fácil:
{\displaystyle \ y^{\prime }=\operatorname {round} (y\cdot (L-1))} .
Sin embargo, un examen más profundo arroja una formulación ligeramente modificada.
El valor asignado {\displaystyle \ y^{\prime }} debe ser 0 para el rango de {\displaystyle 0
Y {\displaystyle \ y^{\prime }=1} para {\displaystyle 1/L
Entonces la fórmula de cuantificación de \ y to {\displaystyle \ y^{\prime }} debe ser
{\displaystyle y^{\prime }=\operatorname {ceil} (L\cdot y)-1} .
(Nota: {\displaystyle y^{\prime }=-1} cuando {\displaystyle \ y=0} , sin embargo, no sucede solo porque {\displaystyle \ y=0} significa que no hay ningún píxel correspondiente a ese valor).
Lo anterior describe la ecualización del histograma de la imagen en escala de grises. Sin embargo, se puede utilizar el mismo método para las imágenes en color aplicándolo de forma independiente a los valores de color RGB de los canales Rojo, Verde y Azul de la imagen. Sin embargo, debido a que las distribuciones relativas de los canales de color varían como resultado de la aplicación del algoritmo, el uso del mismo procedimiento para los componentes rojo, verde y azul de una imagen RGB puede dar lugar a cambios drásticos en el balance de color de la imagen. Es posible aplicar la técnica al canal de brillo o valor sin afectar el tono y la saturación de la imagen convirtiendo primero la imagen a otro sistema de color, como el espacio de color Lab o el espacio de color HSL/HSV. En el espacio tridimensional, existen varias estrategias de ecualización del histograma. La ecualización del histograma fue utilizada en el espacio de color 3D por Trahanias y Venetsanopoulos.
De acuerdo con la terminología estadística estándar, CDF
(i.e.
Se recomienda que se utilice histograma acumulativo
en lugar de función de distribución acumulativa
, en particular porque la función de distribución acumulativa está vinculada en el texto; Esta función se calcula dividiendo los valores del histograma acumulativo por el número total de píxeles.
El CDF igualado se define en términos de rango como {\displaystyle rank/pixelcount} .
A continuación se muestran los valores de la imagen en escala de grises de 8 bits mostrada:
En la tabla siguiente se muestra el histograma de la imagen. En aras de la brevedad, se han omitido los valores de píxel con un recuento de cero.
A continuación se muestra la cdf, o función de distribución acumulativa. En aras de la brevedad, volveremos a excluir los valores de píxel que no aumenten el cdf.
(Tenga en cuenta que {\displaystyle h(v)=\operatorname {ceil} (\operatorname {cdf} (v))-1} la versión aún no está ilustrada).
El rango de valores en la subimagen se muestra entre 52 y 154 por este cdf.
El valor 154 tiene un cdf de 64, que es el mismo que el número de píxeles de la imagen.
El cdf debe normalizarse a [0,255] .
Una fórmula de ecualización para histogramas en general es:
{\displaystyle h(v)=\mathrm {round} \left({\frac {\operatorname {cdf} (v)-\operatorname {cdf} _{\min }}{(M\times N)-\operatorname {cdf} _{\min }}}\times (L-1)\right)}donde cdfmin es el valor mínimo distinto de cero de la función de distribución acumulativa (en este caso 1), M