Égalisation d'histogramme: Amélioration du contraste de l'image pour une perception visuelle améliorée

Par Fouad Sabry

Qu'est-ce que l'égalisation de l'histogramme

L'égalisation de l'histogramme est une méthode de traitement d'image permettant d'ajuster le contraste à l'aide de l'histogramme de l'image.

Comment allez-vous procéder ? avantage

(I) Informations et validations sur les sujets suivants :

Chapitre 1 : Égalisation de l'histogramme

Chapitre 2 : Fonction de distribution cumulative

Chapitre 3 : Histogramme

Chapitre 4 : Variable aléatoire

Chapitre 5 : Statistiques d'ordre

Chapitre 6 : HSL et HSV

Chapitre 7 : Histogramme des couleurs

Chapitre 8 : Distribution uniforme continue

Chapitre 9 : Résolution optique

Chapitre 10 : Fonction de distribution empirique

(II) Répondre aux principales questions du public sur l'égalisation d'histogramme.

(III) Exemples concrets d'utilisation de l'égalisation d'histogramme dans de nombreux domaines.

Qui ce livre s'adresse aux professionnels, aux étudiants de premier cycle et des cycles supérieurs, aux passionnés, aux amateurs et à ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type d'égalisation d'histogramme.

 

 

• Langue: Français
• Éditeur: Un Milliard De Personnes Informées [French]
• Date de sortie: 28 avr. 2024

Aperçu du livre

Égalisation de l'histogramme

Amélioration du contraste de l'image pour une meilleure perception visuelle

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.

Un milliard de connaissances

Égalisation de l'histogramme

Amélioration du contraste de l'image pour une meilleure perception visuelle

Fouad Sabry

Copyright

Histogramme Égalisation © 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture dessinée par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.

Table des matières

Chapitre 1 : Égalisation de l'histogramme

Chapitre 2 : Fonction de distribution cumulative

Chapitre 3 : Histogramme

Chapitre 4 : Variable aléatoire

Chapitre 5 : Statistiques de commande

Chapitre 6 : HSL et HSV

Chapitre 7 : Histogramme des couleurs

Chapitre 8 : Distribution uniforme continue

Chapitre 9 : Résolution optique

Chapitre 10 : Fonction de distribution empirique

Appendice

À propos de l'auteur

Chapitre 1 : Égalisation de l'histogramme

En traitement d'image, l'égalisation de l'histogramme est une technique permettant d'ajuster le contraste en regardant l'histogramme de l'image.

Lorsqu'une image a une plage limitée de valeurs d'intensité, cette technique est utilisée pour augmenter le contraste global de nombreuses images. Cette modification permet une application plus uniforme de toute la gamme d'intensités sur l'ensemble de l'histogramme. Cela permet aux zones à faible contraste local d'améliorer leurs niveaux de différenciation. Le contraste de l'image est réduit grâce à l'utilisation de l'égalisation de l'histogramme en répartissant efficacement les valeurs d'intensité densément emballées.

La technique fonctionne bien lorsque le premier plan et l'arrière-plan d'une image ont la même luminosité ou le même contraste. Dans les radiographies, par exemple, la procédure peut améliorer la visibilité de la structure osseuse, et dans les images sous-exposées ou surexposées, elle peut restaurer les détails. Le principal avantage de la méthode est qu'il s'agit d'une technique simple qui peut être facilement adaptée à n'importe quelle image d'entrée donnée et à n'importe quel opérateur qui peut être inversé. Par conséquent, en théorie, l'histogramme d'origine peut être restauré si la fonction d'égalisation de l'histogramme est connue. Il y a peu de travail informatique impliqué dans le calcul. Le manque de sélectivité de la méthode est un inconvénient. Cela pourrait rendre le bruit plus perceptible tout en réduisant simultanément la qualité de la transmission.

Un faible rapport signal/bruit entrave généralement les détections visuelles en imagerie scientifique où la corrélation spatiale est plus importante que la force du signal (comme la différenciation des segments d'ADN de longueur quantifiée).

L'égalisation de l'histogramme est excellente pour les photos scientifiques telles que les images thermiques, satellites ou radiographiques, la même catégorie d'images à laquelle on appliquerait de fausses couleurs, mais elle donne souvent des résultats non naturels en photographie. Lorsqu'elle est appliquée à des photos avec une faible profondeur de couleur, l'égalisation de l'histogramme peut entraîner des résultats inattendus (tels qu'un dégradé visuel notable). Si vous l'utilisez sur une image 8 bits présentée à l'aide d'une palette de niveaux de gris 8 bits, par exemple, la profondeur de couleur de l'image (le nombre de teintes de niveaux de gris distinctes) sera encore plus réduite. Les photos dont la profondeur de couleur est supérieure à la taille de la palette, telles que les données continues ou les images en niveaux de gris 16 bits, bénéficieront le plus de l'égalisation de l'histogramme.

L'égalisation de l'histogramme peut être visualisée et mise en œuvre de deux manières distinctes : en tant que modification d'image ou de palette. Plus précisément, étant donné une image d'entrée I, une palette P et une image de sortie M, l'opération peut être écrite sous la forme P(M(I)). L'égalisation de l'histogramme peut être implémentée en tant que changement de palette ou de mappage si une nouvelle palette est définie comme P'=P(M), l'image I restant non modifiée. Alternativement, si la palette P est conservée la même et que l'image est modifiée en I'=M(I), alors l'implémentation est effectuée via une modification de l'image elle-même. Il est préférable de modifier la palette car elle protège les informations d'origine.

Certaines variantes de cette technique utilisent une collection d'histogrammes (appelés sous-histogrammes) pour mettre en évidence les différences régionales plutôt que mondiales. L'égalisation adaptative de l'histogramme, l'égalisation adaptative de l'histogramme limitant le contraste (CLAHE), l'égalisation de l'histogramme multipic (MPHE) et l'égalisation du bihistogramme bêta optimisé polyvalent sont toutes des méthodes qui entrent dans cette catégorie (MBOBHE). Ces techniques, en particulier MBOBHE, visent à modifier l'algorithme HE afin d'augmenter le contraste sans introduire d'aberrations de décalage moyen de luminosité et de perte de détails.

En tant que sous-ensemble de la catégorie plus large des techniques de remappage d'histogramme, l'égalisation d'histogramme est un outil utile. Ces techniques visent à augmenter la qualité visuelle et à rendre les images plus faciles à interpréter (par exemple, le rétinex)

L'histogramme ajusté est ensuite appliqué à l'image d'origine dans un processus connu sous le nom de rétroprojection (ou « projet »), qui agit comme une base de données de recherche pour les niveaux de luminosité des pixels.

La fonction attribue la valeur de la cellule de l'histogramme à l'image de sortie, où les coordonnées de la cellule sont déterminées par les valeurs des pixels de chaque groupe d'entrée collectées à partir de toutes les photos monocanal au même endroit. La valeur de chaque pixel dans l'image finale représente la probabilité statistique que son groupe de pixels d'entrée correspondant provienne du même objet que l'histogramme de cet élément.

Considérons une image discrète en niveaux de gris {x} et soit ni le nombre d'occurrences du niveau de gris i.

La probabilité que l'image contienne un pixel de niveau d'intensité I est

\ p_{x}(i)=p(x=i)={\frac {n_{i}}{n}},\quad 0\leq i<L

{\displaystyle \ L} Étant le nombre total de niveaux de gris dans l'image (généralement 256), n représente le nombre de pixels de l'image, et p_{x}(i) étant en fait l'histogramme de l'image pour la valeur de pixel i, calibré sur l'intervalle [0,1].

La fonction de distribution cumulative de I sera définie comme suit :

{\displaystyle \operatorname {cdf} _{x}(i)=\sum _{j=0}^{i}p_{x}(x=j)} , en plus d'être l'histogramme normalisé des données recueillies par l'image.

Nous voudrions créer une transformation de la forme {\displaystyle \ y=T(x)} pour produire une nouvelle image {y}, au niveau de l'histogramme, zéro.

Dans ce cas, la fonction de distribution cumulative (CDF) des valeurs de l'image serait linéaire, c'est-à-dire

{\displaystyle \operatorname {cdf} _{y}(i)=(i+1)K} pour {\displaystyle 0\leq i

pour une certaine constante {\displaystyle \ K} .

Cette transformation est possible en raison des caractéristiques de la CDF (voir Fonction de distribution inverse) ; Plus précisément, cela signifie :

{\displaystyle \ y=T(k)=\operatorname {cdf} _{x}(k)}

où \ k est dans l'intervalle {\displaystyle [0,L-1])} .

Remarquez que \ T les niveaux correspondent à l'intervalle [0,1], car nous avons utilisé un histogramme standardisé de x.

Réconcilier les valeurs avec leur domaine d'origine, Pour obtenir le résultat souhaité, la transformation facile suivante doit être effectuée sur la sortie :

{\displaystyle \ y^{\prime }=y\cdot (\max\{x\}-\min\{x\})+\min\{x\}=y\cdot (L-1)}

.

Nous présentons ici une dérivation plus approfondie.

\ y est une valeur réelle alors que {\displaystyle \ y^{\prime }} doit être un entier.

L'utilisation de l'opération d'arrondi est une solution courante et simple :

{\displaystyle \ y^{\prime }=\operatorname {round} (y\cdot (L-1))} .

Cependant, un examen plus approfondi donne une formulation légèrement modifiée.

La valeur mappée {\displaystyle \ y^{\prime }} doit être 0 pour la plage de {\displaystyle 0

Et {\displaystyle \ y^{\prime }=1} pour {\displaystyle 1/L

Ensuite, la formule de quantification de \ y à {\displaystyle \ y^{\prime }} devrait être

{\displaystyle y^{\prime }=\operatorname {ceil} (L\cdot y)-1} .

(Remarque : {\displaystyle y^{\prime }=-1} lorsque {\displaystyle \ y=0} , cependant, cela ne se produit pas simplement parce que {\displaystyle \ y=0} signifie qu'il n'y a pas de pixel correspondant à cette valeur.)

Ce qui précède décrit l'égalisation de l'histogramme d'image en niveaux de gris. Toutefois, la même méthode peut être utilisée pour les images couleur en l'appliquant indépendamment aux valeurs de couleur RVB des couches Rouge, Vert et Bleu de l'image. Cependant, étant donné que les distributions relatives des canaux de couleur varient à la suite de l'application de l'algorithme, l'utilisation de la même procédure pour les composants rouge, vert et bleu d'une image RVB peut entraîner des modifications radicales de la balance