积分图像(Integral Image)与积分直方图 (Integral Histogram)

本文介绍积分图像和积分直方图的基本原理,通过示例详细解释如何快速计算图像中任意矩形区域的灰度总和及灰度级频数。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

   在图像处理中有两个常用的相关算法,这就是积分图像 (Integral Image)和积分直方图(Integral Histogram),本文来讲解这两个算法的基本原理。
   在本文中主要以灰度图像来讲解。一个图像内 矩形区域的积分是指这个矩形区域内所有灰度值的和,如图所示:
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)

所选定区域的积分为:
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)
如图以3x6图像为例,左侧是原始图像,右侧是其积分图像,其中(2,4)位置的积分为16:
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)

如果每个像素点都公式计算其积分,其运算量就太大了,为了减少计算量,专家经过推导给出了如下计算方法:如图所示:
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)

区域1 : = sum(A);
区域2 : = sum(A + B);
区域3 : = sum(A + C);
区域4 : = sum(A + B + C + D);
所以,如果需要计算D区域中的灰度和,则
sum(D) = 区域4 - 区域2 - 区域3 + 区域1 (都是灰度值)。
很明显,这里仅仅只需要通过查表得到 1、2、3、4点的积分图像的值即可得到。由此计算任意点积分方法可以化为:
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)
其中integral(i,j)表示(i,j)点积分值,而image(i,j)表示的是该点图像灰度值,由此可以知道计算一个图像积分的运算量与这个图像的大小差不多。
   下面再说,积分直方图(Integral Histogram)。 一个图像内 矩形区域的积分 积分直方图 是指这个矩形区域内所有灰度值的频数。普通的灰度 直方图是指一个图像各灰度级出现的频数,如图所示:
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)

而积分直方图如图所示:
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)
本图是一个灰度级为[0,9]的图像,H(4,5)表示的是(0,0)到(4,5)所有像素所有灰度级出现的频数,即后面的数字[2 1 4 3 2 2 2 1 2 1]表示灰度级[0 1 2 3 4 5 6 7 8 9]在区域里出現的频数。如同积分图的计算方法, 积分直方图也可以用类似的方法进行。
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)
公式如下:
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)
也就是可以如下进行:
积分图像(Integral <wbr>Image)与积分直方图 <wbr>(Integral <wbr>Histogram)
### 积分直方图数据处理 积分直方图是一种用于加速图像处理操作的技术,特别是在计算局部区域统计特性时非常有用。下面是一个基于Python和OpenCV库的积分直方图构建应用实例。 #### 构建积分直方图 为了创建积分直方图,可以先定义一个辅助函数`integral_histogram()`来计算给定输入数组的累积分布: ```python import cv2 import numpy as np def integral_histogram(img, bins=256): """ 计算并返回图像积分直方图 参数: img (numpy.ndarray): 输入灰度图像. bins (int): 直方图区间数量,默认为256. 返回: tuple: 包含原始直方图及其对应的积分直方图. """ hist = cv2.calcHist([img], [0], None, [bins], [0, 256]) # 归一化到范围[0,1] norm_hist = hist / float(hist.sum()) # 创建积分直方图 intg_hist = np.cumsum(norm_hist) return hist, intg_hist ``` 此代码片段展示了如何利用OpenCV内置功能`cv2.calcHist()`快速获得指定区间的直方图,并进一步转换成归一化的形式以便后续运算[^1]。 #### 应用积分直方图进行对比度增强 接下来展示一段简单的例子,说明怎样借助上述得到的结果来进行全局对比度调整——即所谓的直方图均衡化过程: ```python def apply_contrast_enhancement(gray_img): """ 对灰度图片执行对比度增强(直方图均衡) 参数: gray_img (numpy.ndarray): 待处理的单通道灰度图像 返回: numpy.ndarray: 经过对比度增强后的图像 """ _, intg_hist = integral_histogram(gray_img) lut = ((intg_hist * 255).astype("uint8")).reshape(-1) enhanced_image = cv2.LUT(gray_img, lut) return enhanced_image ``` 这里采用了查找表(Look-Up Table,LUT)的方式实现了映射关系的应用,在实际编程实践中效率较高。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值