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
（ “@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
-
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。
-
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🆓
-
- 等到用户存在程序
- 显示两个图像（原始图像和均衡图像）：
- 使用函数 cv：：equalizeHist 应用直方图均衡：
- 将其转换为灰度：
- 加载源图像：
-
-