Pagpantay-pantay ng histogram ng larawan. Mga pangunahing operasyon sa pagproseso ng imahe. Mag-import, mag-export, at mag-convert
Paghahambing ng EQUALIZATION ALGORITHMS
HISTOGRAM NG HALF-TONE IMAGES
1 "2 Aleksandrovskaya A.A., Mavrin E.M.
1 Aleksandrovskaya Anna Andreevna - mag-aaral ng master; Mavrin Evgeniy Mikhailovich - mag-aaral ng master, departamento mga sistema ng impormasyon at telekomunikasyon,
Faculty ng Informatics at Control Systems, Moscow State Technical University. N.E. Bauman, Moscow
Abstract: inihahambing ng artikulong ito ang mga digital image processing algorithm, katulad ng histogram equalization algorithm. Tatlong algorithm ang isinasaalang-alang: global histogram equalization (GHE), adaptive histogram equalization (AHE), at adaptive histogram equalization na may contrast limitation (CANE). Ang resulta ng gawaing inilarawan sa artikulo ay isang visual na paghahambing ng pagganap ng mga algorithm sa magkatulad na mga larawan.
Mga keyword: image histogram, histogram equalization ng mga imahe, COI, computer vision, ANE, SYANE.
Upang mapabuti ang kalidad ng imahe, kinakailangan upang taasan ang saklaw ng liwanag, kaibahan, sharpness, at kalinawan. Magkasama, ang mga parameter na ito ay maaaring mapabuti sa pamamagitan ng pag-equal sa histogram ng imahe. Kapag tinutukoy ang mga contour ng mga bagay, sa karamihan ng mga kaso ang data na nilalaman sa grayscale na imahe ay sapat. Ang halftone na imahe ay isang larawan na naglalaman lamang ng impormasyon tungkol sa liwanag, ngunit hindi tungkol sa kulay ng mga pixel. Alinsunod dito, ipinapayong bumuo ng isang histogram para sa isang halftone na imahe.
Hayaang ang imaheng isinasaalang-alang ay binubuo ng n pixel na may intensity (liwanag) r sa hanay mula 0 hanggang 2bpp, kung saan ang bpp ay ang bilang ng mga bit na inilalaan upang i-encode ang liwanag ng isang pixel. Sa karamihan ng mga modelo ng kulay para sa coding
Ang liwanag ng isang kulay ng isang pixel ay nangangailangan ng 1 byte. Alinsunod dito, ang intensity ng pixel ay tinukoy sa isang set mula 0 hanggang 255. Ang isang graph ng bilang ng mga pixel sa isang imahe na may intensity r laban sa intensity mismo ay tinatawag na isang histogram ng imahe. Sa Fig. Ipinapakita ng Figure 1 ang isang halimbawa ng mga pagsubok na larawan at histogram na binuo batay sa mga larawang ito:
kanin. 1. Subukan ang mga larawan at ang kanilang mga histogram
Malinaw, sa pamamagitan ng pag-aaral ng kaukulang histogram, ang isa ay makakagawa ng mga konklusyon tungkol sa orihinal na imahe. Halimbawa, ang mga histogram ng napakadilim na mga imahe ay nailalarawan sa pamamagitan ng isang konsentrasyon ng mga hindi zero na halaga ng histogram na malapit sa mga antas ng liwanag ng zero, habang para sa mga magaan na imahe, sa kabaligtaran, ang lahat ng mga hindi zero na halaga ay kinokolekta sa kanang bahagi ng histogram.
Ang mga algorithm ng histogram equalization ay mga sikat na algorithm para sa pagpapahusay ng naprosesong halftone na imahe. Sa pangkalahatan, ang HE algorithm (Histogram Equalization) ay may medyo mababang computational cost at kasabay nito ay nagpapakita ng mataas na kahusayan. Ang kakanyahan ng ganitong uri ng algorithm ay upang ayusin ang mga antas ng isang halftone na imahe alinsunod sa probability distribution function ng isang partikular na larawan (1) at, bilang resulta, ang dynamic na hanay ng pamamahagi ng liwanag ay tumataas. Ito ay humahantong sa pinahusay na visual effect,
gaya ng: contrast ng brightness, sharpness, clarity.
p(i) = -, i = 0. .255, n
kung saan ang p(i) ay ang posibilidad ng paglitaw ng isang pixel na may liwanag na i, ang normalized na function ng histogram ng orihinal na imahe, ang k ay ang pixel coordinates ng naprosesong imahe, ang g(k) ay ang equalized na imahe.
Ang mga algorithm ng histogram equalization ay nahahati sa dalawang uri: local (adaptive) histogram equalization at global histogram equalization. Sa pandaigdigang pamamaraan, isang diagram ang itinayo at ang histogram ng buong imahe ay equalize (Larawan 3 a). Sa lokal na pamamaraan (Larawan 3b), ang pagtatayo ay isinasagawa malaking dami histograms, kung saan ang bawat histogram ay tumutugma sa bahagi lamang ng naprosesong larawan. Pinapabuti ng pamamaraang ito ang lokal na kaibahan
mga larawan, na nagbibigay-daan sa iyong pangkalahatang makakuha ng mas mahusay na mga resulta sa pagpoproseso.
Ang mga lokal na algorithm sa pagpoproseso ay maaaring nahahati sa mga sumusunod na uri: nagsasapawan ng mga lokal na yunit ng pagpoproseso, hindi nagsasapawan ng mga lokal na yunit ng pagproseso at bahagyang nagsasapawan ng mga lokal na yunit ng pagpoproseso (Larawan 2).
kanin. 2. Ilustrasyon ng trabaho iba't ibang uri mga lokal na algorithm sa pagpoproseso ng imahe: a) nagsasapawan ng mga lokal na bloke sa pagpoproseso, b) hindi nagsasapawan ng mga lokal na bloke sa pagpoproseso, c) bahagyang nagsasapawan ng mga lokal na bloke ng pagproseso
Nagbibigay ang overlap block algorithm pinakamahusay na resulta pagproseso, ngunit ito ang pinakamabagal sa mga nakalista. Ang algorithm ng hindi magkakapatong na mga bloke, sa kabaligtaran, ay nangangailangan ng mas kaunting oras ng pagproseso, ang lahat ng iba pang mga bagay ay pantay, ngunit dahil ang mga naprosesong bloke ay hindi magkakapatong sa isa't isa, ang mga matalim na pagbabago sa liwanag sa panghuling imahe ay posible. Ang isang solusyon sa kompromiso ay ang bahagyang overlapping block algorithm. Kasama sa mga disadvantage ng adaptive histogram equalization algorithm ang labis na pagpapalakas ng mga parameter ng imahe at posibleng magresultang pagtaas ng ingay sa huling larawan.
Ang isang pinahusay na bersyon ng algorithm sa itaas ay ang contrast limited adaptive histogram equalization (CLAHE) algorithm (Fig. 4c). Ang pangunahing tampok ng algorithm na ito ay ang limitasyon
hanay ng histogram batay sa pagsusuri ng mga halaga ng liwanag ng mga pixel sa naprosesong bloke (2), sa gayon ang nagresultang imahe ay mukhang mas natural at hindi gaanong maingay.
kung saan ang add ay ang increment coefficient ng histogram function value, ang ps ay ang bilang ng mga pixel na lumalampas halaga ng threshold. Ang isang paglalarawan ng pagbabago ng histogram ay ipinapakita sa Figure 3.
kanin. 3. Nililimitahan ang hanay ng histogram sa CLAHE algorithm
Ito ay nagkakahalaga ng pagpuna na ang klasikong SILIB algorithm ay gumagamit ng bilinear interpolation upang alisin ang mga hangganan sa pagitan ng mga naprosesong bloke.
kanin. 4. Mga resulta ng histogram equalization algorithm: a) global histogram equalization (HE), b) adaptive histogram equalization (ANE), c) adaptive histogram equalization na may contrast limitation (CANE)
Kapag biswal na inihahambing ang mga resulta ng pagproseso pinakamahusay na paraan ay CLAHE (Larawan 3c). Ang isang imahe na naproseso ng pamamaraang ito ay may mas kaunting ingay kaysa sa isang imahe na naproseso ng AHE, at ang kaibahan ng luminance ay mas natural. Kung ikukumpara sa isang imaheng naproseso ng pandaigdigang paraan ng equalization, pinapabuti ng CLAHE na paraan ang kalinawan ng mga pino at malabong detalye ng naprosesong larawan, at pinapataas din ang contrast, ngunit hindi pinalaki tulad ng sa kaso ng AHE na pamamaraan. Nasa ibaba din ang isang talahanayan na tinatantya ang oras ng pagpapatupad ng mga pamamaraan na pinag-uusapan sa kapaligiran ng programming ng MATLAB 2016.
Talahanayan 1. Tinatayang oras ng pagpapatupad ng isinasaalang-alang
lead time
Pangalan ng programa c Oras ng pagpapatupad
pamamaraan sa pamamagitan ng isinasaalang-alang na pamamaraan, c pamamaraan, c
CLAHE 0.609 0.519
Bibliograpiya
1. Chichvarin N.V. Pagtukoy at pagkilala ng signal // Pambansang Aklatan sila. N.E. Bauman [ Elektronikong mapagkukunan] 2016, Access mode: https://ru.bmstu.wiki/Correction_of_brightness_and_contrast_ of images (access date: 05/03/2019).
2. Gonzalez R.K. , Woods R.E. . Digital Image Processing, 3rd edition, New Jersey: Pearson Education, 2008. 950 pp.
3. Gupta S., Kaur Y. Pagsusuri ng Iba't Ibang Lokal at Pandaigdigang Mga Teknik sa Pagpapahusay ng Contrast para sa Digital na Larawan // International Journal of Computer Applications [Electronic resource] 2014, URL: https://pdfs.semanticscholar.org/7fb1/bf8775a1a1eaad9b3d1f4 5bc85adc5c3212f.pdf (3212f. 2019).
4. Ma J., Tagahanga X. , Batang S. X. , Zang X. , Ztsu Ks. . Contrast Limited Adaptive Histogram Equalization Based Fusion para sa Underwater Image Enhancement // Preprints [Electronic resource] 2017, URL: https: //www. mga preprint. org/manuscript/201703.0086/v 1 (Petsa ng access: 05/3/2019).
Mayroong tatlong pangunahing paraan para sa pagtaas ng contrast ng larawan:
- linear histogram stretching (linear contrast),
- normalisasyon ng histogram,
- alignment (linearization o equalization) ng histogram.
Linear na kahabaan bumababa sa pagtatalaga ng mga bagong halaga ng intensity sa bawat pixel sa larawan. Kung ang mga intensity ng orihinal na imahe ay nag-iiba sa hanay mula sa hanggang , pagkatapos ay kinakailangan na linearly na "iunat" ang tinukoy na hanay upang ang mga halaga ay magbago mula 0 hanggang 255. Upang gawin ito, sapat na upang muling kalkulahin ang lumang mga halaga ng intensity para sa lahat ng mga pixel ayon sa formula, kung saan ang mga coefficient ay kinakalkula lamang batay sa na ang hangganan ay dapat pumunta sa 0, at sa 255.
Normalisasyon ng Histogram Hindi tulad ng nakaraang pamamaraan, hindi nito inaabot ang buong hanay ng mga pagbabago sa intensity, ngunit ang pinaka-kaalaman na bahagi lamang nito. Ang bahaging nagbibigay-kaalaman ay nauunawaan bilang isang hanay ng mga histogram peak, i.e. intensity na lumilitaw nang mas madalas kaysa sa iba sa larawan. Ang mga bin na tumutugma sa mga bihirang nagaganap na intensidad ay itinatapon sa panahon ng proseso ng normalisasyon, at pagkatapos ay isinasagawa ang karaniwang linear na pag-uunat ng nagreresultang histogram.
Pag-align histograms ay isa sa mga pinaka-karaniwang pamamaraan. Ang layunin ng equalization ay upang matiyak na ang lahat ng antas ng liwanag ay may parehong frequency at ang histogram ay sumusunod sa isang pare-parehong pamamahagi. Sabihin nating binigyan tayo ng grayscale na imahe na may pixel resolution. Ang bilang ng mga antas ng quantization ng liwanag ng pixel (bilang ng mga bin) ay . Pagkatapos, sa karaniwan, para sa bawat antas ng liwanag ay dapat mayroong 
mga pixel. Ang pangunahing matematika ay nakasalalay sa paghahambing ng dalawang distribusyon. Hayaan ang mga random na variable na naglalarawan sa pagbabago sa intensity ng pixel sa mga larawan, maging ang density ng pamamahagi ng intensity sa orihinal na larawan, at maging ang nais na density ng pamamahagi. Ito ay kinakailangan upang makahanap ng isang pagbabago ng mga density ng pamamahagi na magpapahintulot sa amin na makuha ang nais na density:
Ipahiwatig natin sa pamamagitan ng at ang mga integral na batas ng pamamahagi ng mga random na variable at . Mula sa kondisyon ng probabilistic equivalence ito ay sumusunod na 
. Isulat natin ang integral na batas sa pamamahagi ayon sa kahulugan:
Mula dito nakukuha natin iyon
Ito ay nananatili upang malaman kung paano tantiyahin ang integral na batas sa pamamahagi. Upang gawin ito, kailangan mo munang bumuo ng histogram ng orihinal na larawan, pagkatapos ay gawing normal ang resultang histogram sa pamamagitan ng paghahati sa halaga ng bawat bin sa kabuuang bilang ng mga pixel. Ang mga halaga ng bin ay maaaring isipin bilang isang approximation ng distribution density function. Kaya, ang halaga ng pinagsama-samang pagpapaandar ng pamamahagi ay maaaring katawanin bilang isang kabuuan ng sumusunod na anyo:
Ang itinayong pagtatantya ay maaaring gamitin upang kalkulahin ang mga bagong halaga ng intensity. Tandaan na ang mga nakalistang pagbabago sa histogram ay maaaring ilapat hindi lamang sa buong imahe, kundi pati na rin sa mga indibidwal na bahagi nito.
Ang OpenCV library ay nagpapatupad ng equalizeHist function, na nagbibigay ng image contrast enhancement sa pamamagitan ng histogram equalization [,]. Ang function na prototype ay ipinapakita sa ibaba.
void equalizeHist(const Mat& src, Mat& dst)
Gumagana ang function sa apat na yugto:
Sa ibaba ay nagbibigay kami ng isang halimbawa ng isang programa na nagbibigay ng histogram equalization. Kinukuha ng application ang pangalan ng source na imahe bilang argumento ng command line. Pagkatapos isagawa ang operasyon ng histogram equalization, ang orihinal na larawan 1 ay ipinapakita Ang larawang ginamit ay bahagi ng database ng PASACL VOC 2007., na-convert sa grayscale (Fig. 7.11, kaliwa), at isang imahe na may histogram na equalized (Fig. 7.11, kanan).
#isama \n\ \t
- pangalan ng file ng larawan\n"; int main(int argc, char* argv) ( const char *initialWinName = "Initial Image", *equalizedWinName = "Equalized Image"; Mat img, grayImg, equalizedImg; if (argc< 2)
{
printf("%s", helper);
return 1;
}
// загрузка изображения
img = imread(argv, 1);
// преобразование в оттенки серого
cvtColor(img, grayImg, CV_RGB2GRAY);
// выравнивание гистограммы
equalizeHist(grayImg, equalizedImg);
// отображение исходного изображения и гистограмм
namedWindow(initialWinName, CV_WINDOW_AUTOSIZE);
namedWindow(equalizedWinName, CV_WINDOW_AUTOSIZE);
imshow(initialWinName, grayImg);
imshow(equalizedWinName, equalizedImg);
waitKey();
// закрытие окон
destroyAllWindows();
// осовобождение памяти
img.release();
grayImg.release();
equalizedImg.release();
return 0;
}
kanin. 7.11.
Pre-processing ng larawan- ang proseso ng pagpapabuti ng kalidad ng imahe, na may layuning makuha, batay sa orihinal, ang pinakatumpak at inangkop para sa awtomatikong pagsusuri Mga imahe.
Kabilang sa mga digital na depekto ng imahe na maaari nating i-highlight ang mga sumusunod na uri:
- Digital na ingay
- Mga depekto sa kulay (hindi sapat o labis na liwanag at kaibahan, maling tono ng kulay)
- Palabuin (defocus)
Ang mga pamamaraan ng preprocessing ng imahe ay nakasalalay sa mga layunin ng pananaliksik at maaaring kabilang ang mga sumusunod na uri ng trabaho:
Pag-filter ng maingay na mga imahe
Ingay ng digital na imahe- isang depekto sa imahe na ipinakilala ng mga photosensor at ng electronics ng mga device na gumagamit ng mga ito. Upang sugpuin ito, ginagamit ang mga sumusunod na pamamaraan:
Linear na pag-average ng mga puntos sa kabilang pinto - ang pinakasimpleng uri ng mga algorithm sa pag-alis ng ingay. Ang kanilang pangunahing ideya ay kunin ang arithmetic mean ng mga puntos sa isang partikular na kapitbahayan bilang bagong halaga ng punto.
Sa pisikal, ang naturang pag-filter ay ipinapatupad sa pamamagitan ng pagtawid sa mga pixel ng imahe na may convolution matrix na may sumusunod na anyo:
Halimbawa:
Ang div ay ang normalization coefficient upang ang average na intensity ay mananatiling hindi nagbabago. Ito ay katumbas ng kabuuan ng matrix coefficients, sa halimbawang div = 6.
Gaussian blur(isang uri ng linear convolution) ay ipinatupad sa pamamagitan ng pagtawid sa mga pixel ng imahe na may convolution matrix na ganito ang hitsura:
Ang 5x5 matrix ay pinupunan ayon sa normal (Gaussian) na batas. Nasa ibaba ang parehong matrix, kung saan ang mga coefficient ay na-normalize na, kaya ang div para sa matrix na ito ay katumbas ng isa.
Ang lakas ng blur ay depende sa laki ng matrix.
Ang kaliwang pixel sa itaas ay walang "mga kapitbahay" sa kaliwa at sa itaas, samakatuwid, wala tayong dapat i-multiply sa mga matrix coefficient!
Ang paglutas ng problemang ito ay nangangailangan ng paglikha ng isang intermediate na imahe. Ang ideya ay lumikha ng isang pansamantalang larawan na may mga sukat
lapad + 2 gap / 2, taas + 2 gap / 2, kung saan
lapad at taas - lapad at taas ng na-filter na imahe,
gap – sukat ng convolution matrix.
Ang input na imahe ay kinopya sa gitna ng imahe, at ang mga gilid ay puno ng mga pinakalabas na pixel ng imahe. Ang blur ay inilapat sa intermediate buffer, at pagkatapos ay ang resulta ay nakuha mula dito.
Median na filter ay isang window filter na sunud-sunod na ini-scan ang larawan at ibinabalik sa bawat hakbang ang isa sa mga elemento na nahulog sa window ng filter.
Ang mga pixel na "nahuhulog" sa window ay pinagsunod-sunod sa pataas na pagkakasunud-sunod at ang halaga na nasa gitna ng pinagsunod-sunod na listahan ay pinili.
Ang median na filter ay karaniwang ginagamit upang bawasan ang ingay o "smooth" ng isang imahe. 
Upang mapabuti ang kalinawan larawan ang sumusunod na filter ay ginagamit (div=1):
Mga pagbabagong morpolohiya
Ginagamit ang morphological filtering upang palawakin (dilactate) o paliitin (erosion) ang mga elemento ng isang binary na imahe.
Pagdilat(morphological expansion) – convolution ng isang imahe o isang napiling lugar ng isang imahe na may ilang template. Ang template ay maaaring magkaroon ng anumang hugis at sukat. Kasabay nito, ang tanging bagay na namumukod-tangi dito ay nangungunang posisyon(anchor), na pinagsama sa kasalukuyang pixel kapag kinakalkula ang convolution.
Ang binary na imahe ay isang nakaayos na hanay (nakaayos na hanay) ng mga itim at puting tuldok (mga pixel). Ang maximum na intensity ng mga pixel ng imahe ay isa, at ang minimum ay zero.
Ang application ng dilatation ay bumababa sa pagpasa ng template sa buong imahe at paglalapat ng search operator para sa lokal na maximum na intensity ng mga pixel ng imahe na sakop ng template. Kung ang maximum ay 1, ang punto kung saan matatagpuan ang template anchor ay magiging puti. Ang operasyong ito ay nagdudulot ng paglaki ng mga light area sa larawan. Sa figure, ang mga pixel ay minarkahan ng gray, na magiging puti bilang resulta ng paglalapat ng dilation.
Pagguho(morphological narrowing) ay ang reverse operation ng dilatation. Ang epekto ng erosion ay katulad ng dilatation, ang pagkakaiba lang ay ang lokal na minimum search operator ang ginagamit. Kung ang minimum ay 0, ang punto kung saan matatagpuan ang template anchor ay magiging itim. Sa figure sa kanan, ang mga gray na pixel ay ang mga pixel na magiging itim bilang resulta ng pagguho.
operasyon" Pagdilat"- analogue ng lohikal na "o", operasyon " Pagguho" ay isang analogue ng lohikal na "at".
Ang resulta ng morphological operations ay higit na tinutukoy ng template (structural element) na ginamit. Sa pamamagitan ng pagpili ng ibang elemento ng istruktura, malulutas mo ang iba't ibang problema sa pagproseso ng imahe:
- Pagpigil ng ingay.
- Pagpili ng mga hangganan ng isang bagay.
- Pagpili ng balangkas ng isang bagay.
Pagwawasto sa liwanag at kaibahan ng mga larawan
Liwanag ay isang katangian na tumutukoy kung gaano kalaki ang pagkakaiba ng mga kulay ng pixel sa itim. Halimbawa, kung ang isang digitized na larawan ay kinunan sa maaraw na panahon, ang liwanag nito ay magiging makabuluhan. Sa kabilang banda, kung ang larawan ay kinuha sa gabi o sa gabi, kung gayon ang liwanag nito ay magiging mababa.
Contrast ay isang katangian ng kung gaano karaming pagkakaiba-iba ang mga kulay ng mga pixel sa isang imahe. Kung mas malaki ang pagkalat ng mga halaga ng kulay ng pixel, mas malaki ang kaibahan ng imahe.
Sa lahat ng pagbabago sa bawat elemento, nagbabago ang batas sa pamamahagi ng posibilidad na naglalarawan sa larawan. Sa linear contrast, ang anyo ng probability density ay napanatili, ngunit sa pangkalahatang kaso, i.e. na may mga di-makatwirang halaga ng mga linear na mga parameter ng pagbabagong-anyo, ang mga parameter ng probability density ng binagong pagbabago ng imahe.
Ang pagtukoy sa mga probabilistikong katangian ng mga imahe na sumailalim sa nonlinear na pagproseso ay isang direktang gawain ng pagsusuri. Kapag nilulutas ang mga praktikal na problema ng pagpoproseso ng imahe, ang kabaligtaran na problema ay maaaring maipakita: gamit ang isang kilalang uri ng probability density pf(f) at ang nais na hitsura p g(g) tukuyin ang kinakailangang pagbabago g= ϕ( f) kung saan dapat isailalim ang orihinal na larawan. Sa pagsasagawa ng digital image processing, ang pagbabago ng isang imahe sa isang equiprobable distribution ay kadalasang nagdudulot ng mga kapaki-pakinabang na resulta. Sa kasong ito
saan g min at g max – minimum at maximum na mga halaga ng liwanag ng na-convert na imahe. Alamin natin ang mga katangian ng converter na lumulutas sa problemang ito. Hayaan f At g konektado sa pamamagitan ng pag-andar g(n, m) = j( f(n, m)), A Pf(f) At Pg(g) – mahalagang mga batas ng pamamahagi ng mga liwanag ng input at output. Isinasaalang-alang ang (6.1), nakita namin:
Ang pagpapalit ng expression na ito sa kondisyon ng probabilistic equivalence
pagkatapos ng mga simpleng pagbabago ay nakuha natin ang kaugnayan
kumakatawan sa isang katangian g(n, m) = j( f(n, m)) sa problemang nilulutas. Ayon sa (6.2), ang orihinal na imahe ay sumasailalim sa isang nonlinear na pagbabago, ang katangian nito ay Pf(f) ay tinutukoy ng integral na batas sa pamamahagi ng orihinal na imahe. Pagkatapos nito, dinadala ang resulta sa tinukoy na dynamic na hanay gamit ang isang linear contrast na operasyon.
Kaya, ang pagbabago ng probability density ay ipinapalagay ang kaalaman sa pinagsama-samang pamamahagi para sa orihinal na imahe. Bilang isang patakaran, walang maaasahang impormasyon tungkol dito. Ang pagtatantya sa pamamagitan ng analytical function, dahil sa mga error sa approximation, ay maaaring humantong sa mga makabuluhang pagkakaiba sa mga resulta mula sa mga kinakailangan. Samakatuwid, sa pagsasagawa ng pagproseso ng imahe, ang pagbabago ng mga distribusyon ay ginaganap sa dalawang yugto.
Sa unang yugto, sinusukat ang histogram ng orihinal na larawan. Para sa isang digital na imahe na ang grayscale, halimbawa, ay kabilang sa integer range, ang histogram ay isang talahanayan ng 256 na numero. Ang bawat isa sa kanila ay nagpapakita ng bilang ng mga puntos sa larawan (frame) na may ibinigay na liwanag. Sa pamamagitan ng paghahati sa lahat ng mga numero sa talahanayang ito sa kabuuang laki ng sample na katumbas ng bilang ng mga sample sa larawan, nakakakuha kami ng isang pagtatantya ng probability distribution ng liwanag ng imahe. Tukuyin natin ang pagtatantya na ito sa pamamagitan ng q pf(f q), 0 ≤ f q≤ 255. Pagkatapos ang pagtatantya ng pinagsama-samang pamamahagi ay nakuha ng formula:
Sa ikalawang yugto, ang mismong nonlinear na pagbabagong-anyo (6.2) ay isinasagawa, na nagbibigay ng mga kinakailangang katangian ng imahe ng output. Sa kasong ito, sa halip na ang hindi kilalang totoong pinagsama-samang pamamahagi, ang pagtatantya nito batay sa histogram ang ginagamit. Isinasaalang-alang ito, ang lahat ng mga pamamaraan ng pagbabagong-anyo ng elemento-by-element na imahe, na ang layunin ay baguhin ang mga batas sa pamamahagi, ay tinatawag na mga pamamaraan ng histogram. Sa partikular, tinatawag ang isang pagbabagong-anyo kung saan ang output na imahe ay may pare-parehong pamamahagi equalization (leveling) ng histogram.
Tandaan na ang mga pamamaraan ng conversion ng histogram ay maaaring ilapat pareho sa imahe sa kabuuan at sa mga indibidwal na fragment nito. Ang huli ay maaaring maging kapaki-pakinabang kapag nagpoproseso ng hindi nakatigil na mga imahe, ang mga katangian na kung saan ay nag-iiba nang malaki sa iba't ibang mga lugar. Sa kasong ito, ang isang mas mahusay na epekto ay maaaring makamit sa pamamagitan ng paglalapat ng pagproseso ng histogram sa mga indibidwal na lugar - mga lugar ng interes. Totoo, ang mga halaga ng mga pagbabasa at lahat ng iba pang mga lugar ay magbabago. Ang Figure 6.1 ay nagpapakita ng isang halimbawa ng equalization na ginawa alinsunod sa inilarawan na pamamaraan.
Ang isang tampok na katangian ng maraming mga imahe na nakuha sa mga tunay na sistema ng imaging ay isang makabuluhang proporsyon ng mga madilim na lugar at isang medyo maliit na bilang ng mga lugar na may mataas na ningning.
Figure 6.1 – Halimbawa ng image histogram equalization: a) orihinal na imahe at histogram nito c); b) binagong imahe at histogram nito d)
Ang histogram equalization ay humahantong sa equalization ng mga integral area ng pare-parehong distributed brightness ranges. Ang paghahambing ng orihinal (Figure 6.1 a) at naproseso (Figure 6.1 b) na mga imahe ay nagpapakita na ang muling pamamahagi ng liwanag na nangyayari sa panahon ng pagproseso ay humahantong sa isang pagpapabuti sa visual na perception.