直方图制作方法
第六章直方图
(Histogram)
一、前言
现场工作人员经常都要面对钱大堆的数据,这些数据是制程中抽测或查检所得的某项产品之质量特性记录;而一天中可能所记录的数据有数百个之多,它们到底能提供我们什么情况呢?如果我们能应用直方图的手法将这些数据加以事理,则制程的质量散布的状态、问题点所在及制程能力等,均呈现在我们的眼前。我们即可得利用这些情报来掌握问题点以进行改善对策。
二、何谓直方图
为要容易的看出如长度、重量、时间、硬度等计量值的数据之分配情形,所用来表示的图形。直方形是将所收集的测定值或数据之全距分为几个相等的区作为横轴,并将各区间内之测定值或所出现次数累积而成的面积,用柱子排起来的图形,帮我们亦称之为柱状图。
三、直方图之制作
<例>某厂之成品重量规格为130至190,今按随几抽测方式抽取200个样本,其篝量测定值如表,试制作直方图。
品管七大手法
3—1制作次数分配表
(1) 由全体数据中找出最大值与最小值。从数据中,各行之数据分别选出最大值L及最小值S。
(2) 求出所有数据中之最磊值与最小值班室(即全距),由L及S列中,可知所有数据中最大为170,最小为124所以全距=170-124=46
(3) 决定组数
组数过少,固可得到相当简单之表格,但已失却次数分配之本质;组数过多,固然表列立尽,但无法达到简化的目的。(巽常值应先除去再分组),因此,次数分组不宜太多,亦不宜太少,一般可用数学家史特吉斯(Sturges)提出之公式,测定次数n来计算组数k,其公式为:
例如:n=50 则k=1+3.32log50=1+3.32(1.7)=6.6
即约可分为6组或7组。一般对数据之分组可参照下表:
本例之数据200个,将其分为12组。
(4) 决定组距:
组距=全距/组数=46/12=4
为便于计算平均数与标准差,组距常取为5的倍数或10的倍数,或2的倍数。
(5) 决定各组之上下组界
最小一组的下组界=
最小一组的上组界=下组界+组距=123.5+4 =127.5
第二组的下组界为127.5; 上组界为127.5+4 =131.5
第三组的下组界为131.5; 上组界为131.5+4 =135.5
依此类推,计算至最大一组之组界。
(6) 计算各组和组中点
各组的组中点
第一组之组中点
第二点之组中点= 125.5+4 = 129.5
第三组之组中点= 129.5+4 = 133.5
依此类推,计算至最大一组之组中点。
(7) 作次数分配表
(a) 将所有数据,依其数值大小书记于各组之组界内,并计算出其次数。
(b) 将次数栏之次数相加,并以测定值之个数校核之。表中之次数总和与测定值之个数应相同。
3—2制作直方图
(1) 将次数分配表图表化,以横思表示重量的变化,纵轴表数。
(2) 横轴及纵轴各取适当的单位长度。再将各组之组界分别标在横轴上,各组界应为等距离。
(3) 以各组内之次数为高,各组之组距为底。在每一组上变成一矩形,则完成直方图。
(4) 在图的右上角记入数据总数n及数据履历,并划出规格的上限及下限。
四、直方图常见之形态
4—1正常形
说明:中间高、两边低、有集中边势。
结论:左右对称分配(常态分配)、显示制程在正常运动下。
品管七大手法
【图略】
4—2缺齿型(凹凸不平型)
【图略】
说明:高低不一,有缺齿情形。不正常的分配,系因测定值或换算方法有偏差,次数分配不妥当所形成。
结论:检查员对对测定值有偏好现象,如对5,10之数字偏好;或是假造数据。测量仪器不精密或组数的宽度不是位数时,亦有此种情形。
4—3偏态形
【图略】
说明:高处偏,向一边,另一边低,拖长尾巴。可分偏右型,偏左型。为偏态分配
偏右型:例如微量成分的含有率等,不能取到某值以下的值1时,所出现的形态。
偏左型:例如成分含有高纯度的含有率等能取到某例值以上的值时,就会再现的形态。
结论:尾巴拖长时,应检讨是否在技术上能够接受。工具磨损或松动时,亦有此种情形发生
4—4绝壁型(切边型、脚裂型)
【图略】
说明:有一端被切断。
结论:原因为数据以过全检过或制程本身有以过全检,过会出现的形状。若剔除某规格以上时,则切边在靠近右边形成。
4—5变仑型二山型)
【图略】
说明:有两个高峰出现,。
结论:有两种分配相混合,例如两台机台或两种不同原料间有差巽时,会出现此种形状,因测定值受不同的原因影响,应予层别后再直方图。
4—6离峊型(二山脱离型)
【图略】
说明:在右端或左端形成小峊。
结论:测定有错误、工程调节错误或使用不同原料所引起。一定有巽常原因存在,只要去除,即可制出合乎规格的制品
4—7高原型
说明: 形状高原状。
结论: 不同平均值的分配混在一起, 应层别之后再作直方图比较。
五、直方图之应用
5—1 测知制程能力, 作为制程改善的依据
自制程中所搜集而得之数据, 如整理成为次分配表, 再绘以直方图, 则可以由其集中与分散情形来看出制程的好坏。直方图的重点乃为平均数所在, 经修匀后之分配如为常态分配, 则自弯曲点中引一条横轴之并行线, 可求得表现差异性的标准差s。良好的制程, 平均数接近规格中心, 标准差愈小愈佳。
制程精密度Cr (Capability of Precision )之求法:
(a) 两侧规格
(b) 单侧规格
(i)上限规格
(ii)下限规格
5—2 计算产品不良率
品管圈活动常需计算改善活动前、后之不良率, 以比较有无改善成果。其不良率可直接自次数分配表计算出来, 亦可自直方图计算出来。例如某种产品384件之厚度的直方图如图,其规格订为65±5(mm)。
由图与规格界限比较, 可知在规格下限以下有25件, 超出规格上限的有1件, 计26件, 占384件之6.77%, 即不良率为6.77%。
5—3 调查是否混入两个以上不同群体
如果直方图呈变型态, 可能混合了两个不同群体, 亦即制程为两种不同群体, 如两台不同机器所制造出来的产品, 或使用两种不同的材料, 或两个不同的操作员, 或两个不同班, 或两个生产线等生产出来的制品混在一起。此时, 需将其层别, 即不同之机器、材料、操作员、班别、生产线制造出来的制品不摆在一起、以便趁早发现造成不良的原因。
5—4 测知有无假数据
绝壁型的直方图往往是因为工程能力不够, 但为求产品合乎规格, 而实行全数检验所常
见的型态。
下图有极少部份低于规格界限, 是因测定误差或检查错误所道致。
据说某轮胎厂厂房座落水沟旁, 检验员检验结果, 如发现不合格之制品, 就将其抛入河里去, 最后这家厂商就这样抛倒闭了。当时主如果知道利用直方图查看有无假数据, 该厂可能就不致倒是了。
5—5 测知分配型态
(参阅第四节)
由直方图之形状能知道制程异常与否。
5—6 籍以订定规格界限
未订出规格界限之前, 得根据收集而得的数据编成次数分配表, 测验次数分配是否为常
态分配(使用卡方适合度检定, 或利用常态机率纸) , 如为常态分配, 便可据以计算平均数与标准差, 平均数减去4倍标准差得规格下限, 平均数加上4倍标准差得规格上限, 或按实际需要而订定。
5—7 与规格或标准值比较
要明了制程能力的好坏, 必需与规格或标准比较才可显现出来, 一般, 我们总希望制程能力(直方图)在规格界限内, 且最好制程的平均值与规格的中心相一致。
(1) 合乎规格
(a) 理想型
制程能力在规格界限内, 且平均值与规格中心一致, 平均值加减4倍标准差为规格界限。制程稍有变大或变小都不会超过规格值, 是一种最理想的直方图。表示制品良好, 能力足够。
(b) 一侧无余裕
制品偏一边, 而另一边还有余裕很多, 若制程再变大(或变小)很可能会有不良发生, 必需设法使制品中心值与规格中心值吻合才好。
(C) 两侧无余裕
制品的最大值与最小值均在规格内, 但都在规格上下限两端, 也表示其中心值与规格中
心值吻合, 虽没有不良品发生, 但若制程稍有变动, 就会有不良品产生之危险, 要设法提高制品的精度才好。
(d) 余裕太多
实际制程在规格界限内, 但变尾距规格界限太远。亦即产品质量均匀, 变异小。如果此种情形是因增加成本而得到, 对公司而言并非好现象, 故可考虑缩小规格界限或放松质量变异, 以降低成本、减少浪费。
(2) 不合乎规格
(a) 平均值偏差(或偏右)
如果平均值偏向规格下限并伸展至规格下限左边, 或偏向规格上限并伸展至规格上限的右边, 但制品呈常态分配, 此即表示平均位置的偏差, 应针对固定的设备、机器、原料等方向去追查。
(b) 分散度过大
实际制品的最大值与最小值均超过规格值, 有不良品发生(斜线部份), 表示标准太大, 制程能力不足, 应针对变动的人员、方法等方向去追查, 要设法使产品的变异缩小; 或是规格订得太严, 应放宽规格。
(c) 完全在规格外
表示制品之生产完全没有依照规格去考虑; 或规格订得不合理, 根本无法达到规格。
5—8 分析所设计的管制界限可否用于管制制程
计量值管制图如管制图, 当s未知, 以作为中心线, 作为管制上限, 作为管制图下限, 以为设计的管制界限。当每天计算结果的与R点绘在设计管制界限内, 若未呈现任何规则, 一般即可将管制界限延长以为实际制程管制。但如原来订有规格界限, 应将所搜集的数据, 作次数分配表, 并绘成直方图, 此直方图如能在规格界限内, 始将管制界限延长, 作为管制制程。
5—9 改善前后之比较
欲了解改善后是否获得期待中的成果, 可分别作改善前及改善后之直方图来比较。
六、直方图之使用注意事项
6—1 异常值应除去后再分组。
6—2 对于从样本测定值推测群体形态, 直方图是简单有效的方法。
6—3 所取得的数据之履历应详细(如时间、原料、测定者、设备、环境条件)。
6—4 在进行制程管理及分析改善时, 可利用层别法, 将更容易找出问题的微结点, 对于质量的改善有事半功倍的效果。(参阅层别法)
图像颜色特征提取基本知识
一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法
基于颜色直方图的图像检索(实验分析)
基于颜色直方图的图像检索 作者:吴亚平学号:200812017081203009 1.概述 在过去的十几年间，有许多知名机构都对图像检索系统进行了深入的研究，病开发出了相应的检索系统，例如IBM Almaden研究中心研制的QBIC系统，Virage公司研发的VIRAGE系统，麻省理工大学多媒体实验室研发的Photobook系统，哥伦比亚大学研发的VisualSeek系统，斯坦福大学研发的WBIIS系统，U.C.伯克利分校研发的Blobworld系统等等。 这些检索系统的基本特征都是基于图像像素值的特征提取相应的规则图像，例如形状、颜色、纹理等，并以此为依据对图像进行比较检索，在这篇论文中，系统采用了基于颜色特征提取的检索。基于直方图在两个颜色空间对图像特征进行判定检索。这两个颜色空间是RGB和HSV。通过对两副图像对应的RGB和HSV 值计算其距离，依据距离的远近来判断相似性，这种方法简单易行，由于丢弃了图像的形状、颜色、纹理等信息，判定的计算量相对较小。当然这也导致了两副图像之间的判定没有实际的语义上的关联，也就是说，距离相近的图像并不一定有事实上的相应联系。但是，经过试验的判定，这种基于直方图的图像检索系统能够为图片检索提供相对精确的检索结果。 2.相关知识 2.1. RGB颜色空间 RGB颜色模型中每种颜色都是由红绿蓝三种颜色组成。这种颜色模型在许多CRT显示器和彩色光栅图形设备中被广泛使用。这三种颜色被认为是其他颜色的
添加剂，对于所需要的颜色通过对这三种颜色进行不同的比例进行相加即可得到。RGB模型可以用如下的颜色坐标系表示。注意从（0，0，0）到（1，1，1）的对角线，白色代表了灰阶，RGB色彩模式俯视从白色开始的。 2.2. HSV颜色空间（也称HIS颜色空间） HSV字母分别代表了色度（Hue），饱和度（Saturation），色调。上面的锥形图说明HSV的颜色模型。Value代表了颜色的强度，他是从图像信息中分离出来，可以表示相关信息的部分。色度和饱和度代表了颜色在人眼中的生理特征。色度与红色等颜色从0到1的表示不同，色度是从红色通过黄，绿，青，蓝，洋红色，再回到红色。饱和度的区分是从0 到 1，他通过值大小来影响颜色的饱和度。对于色调，也是从0到1，随着他的增大，图像的颜色就会越来越亮。
基于内容的图像检索_累加直方图算法
基于容的图像检索——累加直方图算法 摘要 随着多媒体、网络技术的迅速发展，图像信息的应用日益广泛，对规模越来越大的图像数据库、可视信息进行有效的管理成为迫切需要解决的问题，灵活、高效、准确的图像检索策略是解决这一问题的关键技术之一。因此，基于容的图像检索已成为国外学者研究的主要热点问题，并取得了不少的成果。 本文主要对当今热门的基于容的图像检索技术进行了研究，重点对它的算法进行研究。在半年的时间里，通过查阅很多相关的资料，并认真学习了基于容的图像检索的基本理论，特别是深入研究了颜色直方图理论和累加直方图算法，最后在MATLAB平台下编程实现此系统，该系统可以实现基本图像检索的功能，根据用户输入的样本图像来与图像库中的图像进行特征匹配，然后找出与样本图像距离比较小的若干幅图像，并按照图像之间的距离由小到大的顺序显示给用户。 经过对该系统进行反复的调试运行后，该系统所实现的功能基本达到了设计目标，并且运行良好。当用户提供出所要查询的关键图后，系统就可以从用户提供的图像库中检索到与关键图相似的图片并排序返回给用户，达到了预期效果。 关键词：图像检索累加直方图颜色特征 MATLAB
目次 1 绪论 (1) 1.1 国外的研究现状 (1) 1.2 选题意义及本文研究的容 (3) 2 基于容的图像检索的简介 (4) 2.1 基于容的图像检索技术的概述 (4) 2.2 基于容的图像检索的关键技术 (5) 3 基于容的图像检索原理和特点 (6) 3.1 基于容的图像检索的原理及处理过程 (6) 3.2 基于容图像检索的特点 (8) 4 颜色特征理论 (8) 4.1 颜色模型 (9) 4.2 颜色特征提取 (10) 5 直方图理论 (12) 5.1 颜色直方图 (12) 5.2 直方图的矩 (13) 5.3 直方图均衡化算法 (14) 5.4 基于直方图的图像检索技术分析 (14) 6 累加直方图算法 (16) 6.1 累加直方图 (16) 6.2 算法实现 (18) 6.3 改进的局部累加直方图算法 (18)
Excel2003制作直方图方法(一)
Excel 2003制作直方图方法（一） 一、直方图(柱形图)的定义： 直方图是频数直方图的简称，它是用一系列宽度相等、高度不等的长方形表示数据大小的图，并对数据进行比较分析。 二、直方图的适用范围： 1、用于数据整理； 2、研究数据分布。 三、直方图的作用： 1、寻找数据分布的中心位置在哪；散布状态如何？ 2、分布的形态是什么样的；效果、目标对比如何？ 四、Excel 2003制作直方图具体步骤： 1、将数据导入Excel 2003表格中，在G1单元格输入分组标志，在G2：G10单元格区域输入899、999、1099、1199、1299、1399、1499、1599、1699分段点，如图1.1所示：
2、点击菜单栏中“工具”菜单，出现工具栏子菜单，点击“加载宏”，弹出“加载宏”对话框，单击选中【分析工具库】和【分析工具库-VBA】复选框，如图1.2.1、1.2.2所示：完成后点击【确定】按钮。 3、点击菜单栏中“工具”菜单，出现工具栏子菜单，点击“数据分析”，弹出“数据分析”对话框，选中【直方图】，如图1.3.1、1.3.2所示： 4、单击【确定】按钮，弹出【直方图】对话框，单击【输入区域】后的折叠按钮，将对话框折叠，选择A2：E11单元格区域（居民购买消费品支出数据）；如图1.4所示：
5、单击打开折叠按钮，返回【直方图】对话框；单击【接收 区域】后的按钮，将对话框折叠，选择接收区域对应的G2：G10单元格；单击打开按钮，返回【直方图】对话框。如图1.5所示： 6、单击【输出区域】单选按钮，单击【输出区域】后的折叠按钮，选择A13单元格区域，单击打开折叠按钮，返回【直方图】对话框；单击选中【累积百分比】和【图表输出】复选框，如图1.6所示：
c#灰度直方图算法及调用
颜色直方图 颜色直方图是在许多图像检索系统中被广泛采用的颜色特征，它所描述的是不同色彩在整福图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适用于描述那些难以进行自动分割的图像 灰度直方图 灰度直方图是灰度级的函数，它表示图像中具有每种灰度级的像素的个数，反映图像中每种灰度出现的频率。灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的频率，是图像的最基本的统计特征。 灰度直方图的算法实现 大致步骤如下： 1.将图像转换成相同大小，以有利于计算出想象的直方图来 2.计算转化后的会度直方图 3.利用xx公式，得到直方图相似度的定量度量 4.输出这些不知道有用没用的相似度结果数据 代码实现 步骤1.将图像转化成相同大小，我们暂且转化成256×256吧 public static Bitmap Resize(string imageFile, string newImageFile) { Image img = Image.FromFile(imageFile); Bitmap imgOutput = new Bitmap(img, 256, 256); imgOutput.Save(newImageFile, System.Drawing.Imaging.ImageFormat.Jpeg); imgOutput.Dispose(); return (Bitmap)Image.FromFile(newImageFile); } 解释一下：imageFile是原始图片的完整路径，newImageFile是强制转换大小后的256×256图片的路径，为了“赛”后可以看到我们转化出来的图片长啥样，所以我就把它保存到了本地了，以至于有了上面的代码 步骤2.计算图像的直方图 ///
关于颜色的几个算法
?流行色算法 流行色算法的基本思路是:对彩色图像中所有彩色出现的次数做统计分析，创建一个数组用于表示颜色和颜色出现频率的统计直方图。按出现频率递减的次序对该直方图数组排序后，直方图中的前256 种颜色就是图像中出现次放最多(频率最大) 的256 种颜色，将它们作为调色板的颜色。该算法用统计直方图来分析颜色出现的频率，因此且称为彩色直方图统计算法。图像中其他的颜色采用在RGB 颜色空间中的最小距离原则映射到与其邻近的256种调色板颜色上。流行色算法实现较简单，对颜色数量较小的图像可以产生较好的结果，但是该算法存在的主要缺陷是，图像中一些出现频率较低，但对人眼的视觉效挺明显的信息将丢失。比如，图像中存在的高亮度斑点，由于出现的次数少，很可能不能被算法选中，将被丢失。 ?中位切分算法 中位切分算法的基本思路是：在RGB 彩色空间中，R 、G 、B 三基色对所对应于空间的三个坐标轴，将每坐标轴部量化为0 - 255 。对应于最暗(黑) ，255 对应于最亮，这样就形成了一个边长为256 的彩色立方体。所有可能的颜色都对与立方体内的一个点; 将彩色方体切分成256个小立方体，每个立方体中都包含相同数量的在图像中出现的颜色点；取出每个小立方体的中心点，则这些点所表示的颜色就是我们所需要的最能代表图像颜色特征的256 种颜色。中位切分算法是PauJ Heckbert在80 年代初提出来的，现被广泛应用于图像处理领域。该算法的缺点是涉及复杂的排序工作，而且内存开销较大。 ?八叉树算法 1988 年，奥地利的M. Gervautz和W. Purgathofer 发表了一篇题为"A Simple Method for Color Quantization: Octree Quantization" 的论文，提出了种新的采用八义树数据结构的颜色量化算法，一般称为八叉树颜色量化算法。该算法的效率比中位切分算法高而且内存开销小。 八叉树颜色量化算法的基本思路是：将图像中使用的RGB 颜色值分布到层状的八叉树中。八叉树的深度可达九层，即根节点层加上分别表示8位的R、G 、B 值的每一位的八层节点。较低的节点层对应于较不重要的RGB 值的位(右边的位) ，因此，为了提高效率和节省内存，可以去掉最低部的2 ~ 3 层，这样不会对结果有太大的影响。叶节点编码存储像素的个数和R 、G 、B 颜色分量的值；而中间的节点组成了从最顶层到叶节点的路径。这是一种高效的存储方式，既可以存储图像中出现的颜色和其出现的次数，也不会浪费内存来存储图像中不出现的颜色。 扫描图像的所有像素，每遇到种新的颜色就将它放入八叉树中，并创建一个叶节点。图像扫描完后，如果叶子节点的数量大于调色板所需的颜色数时，就需要将有些叶子节点合并到其上一层节点中，并将该节点转化成叶节点，在其中存储颜色且其出现的次数。这样，减少叶节点的数量，直到叶节点的数量等于或小于调色板所需的颜色数。如果叶节点的数量小于或等于调色板所需的颜色数，则可以遍历八叉树，将叶子节点的颜色填入调色饭的颜色表
直方图 知识讲解
直方图知识讲解 责编：康红梅 【学习目标】 1. 会制作频数分布表，理解频数分布表的意义和作用； 2. 会画频数分布直方图，理解频数分布直方图的意义和作用. 【要点梳理】 要点一、组距、频数与频数分布表的概念 1．组距：每个小组的两个端点之间的距离（组内数据的取值范围）． 2．频数：落在各小组内数据的个数． 3．频数分布表：把各个类别及其对应的频数用表格的形式表示出来，所得表格就是频数分布表．要点诠释： （1）求频数分布表的一般步骤：①计算最大值与最小值的差；②决定组距和组数； ③确定分点；④列频数分布表； （2）频数之和等于样本容量． （3）频数分布表能清楚、确切地反映一组数据的大小分布情况，将一批数据分组，一般数据越多，分的组也越多，当数据在100个以内时，按数据的多少，常分成5～12组，在分组时，要灵活确定 组距，使所分组数合适，一般组数为最大值-最小值 组距 的整数部分+1． 要点二、频数分布直方图 1．频数分布直方图：是以小长方形的面积来反映数据落在各个小组内的频数的大小，直方图由横轴、纵轴、条形图三部分组成． (1)横轴：直方图的横轴表示分组的情况(数据分组)； (2)纵轴：直方图的纵轴表示频数； (3)条形图：直方图的主体部分是条形图，每一条是立于横轴之上的一个长方形、底边长是这个组的组距，高为频数． 2．作直方图的步骤： (1)计算最大值与最小值的差； (2)决定组距与组数； (3)列频数分布表； (4)画频数分布直方图． 要点诠释：(1)频数分布直方图简称直方图，它是条形统计图的一种． (2)频数分布直方图用小长方形的面积来表示各组的频数分布，对于等距分组的数据，可以用小长方形的高直接表示频数的分布． 【高清课堂：数据的描述 369923 直方图和条形图的联系与区别：】 3.直方图和条形图的联系与区别： （1）联系：它们都是用矩形来表示数据分布情况的；当矩形的宽度相等时，都是用矩形的高来表示数据分布情况的； （2）区别：由于分组数据具有连续性，直方图中各矩形之间通常是连续排列，中间没有空隙，而条形图中各矩形是分开排列，中间有一定的间隔；直方图是用面积表示各组频数的多少，而条形图是用矩形的高表示频数. 要点三、频数分布折线图 频数分布折线图的制作一般都是在频数分布直方图的基础上得到的，具体步骤是：首先取直方图中每一个长方形上边的中点；然后再在横轴上取两个频数为0的点(直方图最左及最右两边各取一个，它们分别与直方图左右相距半个组距)；最后再将这些点用线段依次连接起来，就得到了频
图像增强及距离测量
基于Matlab的图像距离测量及图像增强处理 1.图像对比度及亮度调整 原图经过图像对比度及亮度调整，处理后如图1所示（图片名称webwxgetmsgimg.jpg）： 图 1 对比度亮度调整后图片 2.距离测量 在Matlab中导入图片后，imshow（'*. pic '）后，在命令窗口输入imdistline，即可在当前显示图片上创建一条线。通过拖动线条端点位置来测量图片中任意两个像素点之间的距离，长度单位为像素。Matlab code为（1），测量结果如表格1所示： 表格 1 直径测量
图 2 直径测量示例 3.直方图均衡化图像增强 处理方法为直方图均衡化方法，直方图均衡化旨在寻找一种灰度级变换关系，使得变换后的灰度图像的各级灰度的出现概率相同或相近。本次采用adapthisteq和histep函数进行直方图均衡对比。 图表 3 直方图均衡增强处理前后对比
（a）adapthisteq均衡后的图（b）histep均衡后的图 图表 4 两种均衡方法处理后的图 用到Matlab Code （1）距离测量 I = imread('C:\Users\lx123\Desktop\Matlab学习\测试_批处理 _20170718\webwxgetmsgimg.jpg'); Ig=rgb2gray(I); figure; imshow(Ig); % 若f为某图像 d=imdistline; % 此时可以在图像上对任意两点进行距离估计 （2）直方图均衡化图像增强 %Matlab code： I=imread('J:\Matlab学习\QQ截图20171016154118.png');%读入图像 Ig=rgb2gray(I); subplot(3,2,1); imshow(Ig); title('灰度图像'); subplot(3,2,2); imhist(Ig); title('原图的直方图'); subplot(3,2,3); H1=adapthisteq(Ig); %J =适应度adapthisteq（I）通过使用对比度限制自适应直方图均衡（CLAHE）转换值来增强灰度图像I的对比度。 imshow(H1); title('adapthisteq均衡后的图'); subplot(3,2,4); imhist(H1); title('adapthisteq均衡后的直方图'); subplot(3,2,5); H2=histeq(Ig);
数字图像处理点运算和直方图处理
实验1 点运算和直方图处理 一、实验目的 1. 掌握利用Matlab图像工具箱显示直方图的方法 2. 掌握运用点操作进行图像处理的基本原理。 3. 进一步理解利用点操作这一方法进行图像处理的特点。 4. 掌握利用Matlab图像工具箱进行直方图均衡化的基本方法。 二、实验的硬件、软件平台 硬件：计算机 软件：操作系统：WINDOWS 7 应用软件：MATLAB 三、实验内容及步骤 1. 了解Matlab图像工具箱的使用。 2. 利用Matlab图像工具箱对图像进行点操作，要求完成下列3个题目中 的至少2个。 ⑴图1灰度范围偏小，且灰度偏低，改正之。 ⑵图2暗处细节分辨不清，使其能看清楚。 ⑶图3亮处细节分辨不清，使其能看清楚。 图1 图2 图3 3. 给出处理前后图像的直方图。 4. 利用MatLab图像处理工具箱中函数对以上图像进行直方图均衡化操 作，观察结果。 四、思考题 1. 点操作能完成哪些图像增强功能？ 2. 直方图均衡化后直方图为何并不平坦？为何灰度级会减少？ 五、实验报告要求
1．对点操作的原理进行说明。 2．给出程序清单和注释。 3．对处理过程和结果进行分析（包括对处理前后图像的直方图的分析）。实验代码以及解析 点操作： I = imread('POINT1.BMP'); %读入图像 j=rgb2gray(I); %将图像转为灰度图像 INFO=IMFINFO('POINT1.BMP') %获取图片的格式、尺寸、颜色数量、修改时间等信息[l,r]=size(j); %图片大小 figure; %建立一个图形框 subplot(221) imshow(j) %在两行两列的第一个位置放置图片j title('POINT1.BMP') %给该图片加上标题POINT1.BMP for m=1:l for n=1:r %从第一个像素循环到最后一个像素 p1(m,n)=j(m,n)*1.2; %把各点乘上1.2得到p1图 end end for m=1:l for n=1:r p2(m,n)=j(m,n)*2; %%把各点乘上2得到p2图 end end for m=1:l for n=1:r p3(m,n)=j(m,n)*2+50; %把各点乘上2再加50得到p2图 end end subplot(222) imshow(p1) title('j(m,n)*1.2') %p1图放在第二个位置且冠名j(m,n)*1.2 subplot(223) imshow(p2) title('j(m,n)*2') %p1图放在第三个位置且冠名j(m,n)* 2 subplot(224) imshow(p3) title('j(m,n)*2+50') %p1图放在第四个位置且冠名j(m,n)*2+50 figure; %建立一个新的窗口并且依次显示以上四个图的直方图subplot(221),imhist(j,64); title('原图直方图') %64代表把0-250的灰度范围分为64份
直方图均衡化计算
直方图均衡化(色调均化) “图像(Image)>调整(Adjust)”菜单的功能 色调均化(Equalize) Photoshop菜单：图像>调整>色调均化 公式： （公式中Sk表示均衡化后的灰度值，∑表示总和，nj是原图中某个灰度色阶j 的像素数量，j的范围是0~k，N是图像像素总数。） “色调均化”命令重新分布图像中像素的亮度值，以便它们更均匀地呈现所有范围的亮度级。使用此命令时，Photoshop尝试对图像进行直方图均衡化(Histogram Equalization)，即在整个灰度范围中均匀分布每个色阶的灰度值。 当扫描的图像显得比原稿暗，而您想平衡这些值以产生较亮的图像时，可以使用“色调均化”命令。配合使用“色调均化”命令和“直方图”命令，可以看到亮度的前后比较。 使用“色调均化”命令： 1. 选择菜单图像>调整>色调均化。 2. 如果已选择一个图像区域，在弹出的对话框中选择要均化的内容，然后点按“好”。
?“仅色调均化所选区域”只均匀地分布选区的像素。 ?“基于所选区域色调均化整个图像”基于选区中的像素均匀分布所有图像的像素。 原理 直方图均衡化是一种灰度变换算法，所以我们重点研究灰度图像的直方图均衡化。 绝对的均匀 图A是一个黑白灰均匀渐变，0~255的每一个色阶的灰度数量都是相同的。图B 的是图A的像素打乱了顺序随机分布的，每种灰度的数量都与图A的相同，因而它的直方图也与图A的相同。 图A和图B的直方图。每种灰度数量是相同的，直方图呈一个黑色矩形。 近似的均匀 对于一般的图像，由于每种灰度的像素数量并不相同，我们没办法把每种灰度的分量调得像图A、B那么均匀，但是可以做到近似的均匀。也就是说，把直方图横向平均分成几份之后，使每一份的像素数量大致相等。 下面是一幅图片的直方图，共有19200个像素，从左到右平均分成三份。均衡化之后，每份的像素数量都在6400左右。
计算图像的直方图
南通大学计算机科学与技术学院 《数字图像处理》课程实验 报告书 实验名计算图像的直方图 班级计 121 姓名张进 学号 1213022016 2014年6月 16 日
一、实验内容 1、打开一张图，计算其直方图。 二、图像直方图的概念 图像直方图是反映一个图像像素分布的统计表，其实横坐标代表了图像像素的种类，可以是灰度的，也可以是彩色的。纵坐标代表了每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。 图像是由像素构成，因为反映像素分布的直方图往往可以作为图像一个很重要的特征。在实际工程中，图像直方图在特征提取、图像匹配等方面都有很好的应用。 三、灰度直方图的计算 1、灰度直方图的定义 灰度直方图是灰度级的函数，描述图像中该灰度级的像素个数（或该灰度级像素出现的频率）：其横坐标是灰度级，纵坐标表示图像中该灰度级出现的个数（频率）。 一维直方图的结构表示为 高维直方图可以理解为图像在每个维度上灰度级分布的直方图。常见的是二维直方图。如红-蓝直方图的两个分量分别表示红光图像的灰度值和蓝光图像灰度值的函数。其图像坐标（Dr,Db）处对应在红光图像中具有灰度级Dr同时在蓝光图像中具有灰度级Db的像素个数。这是基于多光谱——每个像素有多个变量——的数字图像，二维中对应每个像素统计个变量。 简单的说，直方图就是对数据进行统计，将统计值组织到一系列事先定义好的bin中。bin的数值是从数据中计算出的特征的统计量，这些数据可以是诸如梯度，方向，色彩或者任何其他特征。无论如何，直方图获得的是数据分布的统计图。通常直方图的数据要低于原始数据。由于原始数据点可以表征任何事情，所以直方图实际上是一个方便表示图像特征的手段。
颜色直方图的计算、显示、处理、对比及反向投影
颜色直方图的计算、显示、处理、对比及反向投影(How to Use Histogram? Calculate, Show, Process, Compare and BackProject) 作者：王先荣 前言 颜色直方图直观的显示了图像在色彩空间的分布状况，本文将讨论在EmguCv及OpenCv中跟直方图相关的一些基本操作，包括：计算、显示、处理、对比及反向投影，并谈谈在实践过程中得到的一些经验。如无特别说明，下文所提的直方图均指颜色直方图。 直方图的计算 EmguCv将OpenCv的一系列直方图函数封装到了类DenseHistogram里面，可以用方法Calculate方便的计算图像的直方图。不过值得注意的是，该方法接受的第一个参 数是“单通道”图像数组；而一般情况下的图像都是3通道的，在计算之前我们需要用Image
直方图计算与均衡
直方图计算与与均衡 一、实验要求： 1.读入给定的图像文件 2.求输入图像文件的直方图，并且利用MATLAB画出来 3.设计算法完成直方图的均衡，并利用MATLAB输出 4.将直方图均衡后的文件以图像形式输出 5.观察比较均衡前后图像与直方图的区别 二、实验原理 直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。 （I）直方图均衡化的过程： 1）列出原始图像和变换后图像的灰度级（L是灰度级的个数）； 2）统计员图像中各灰度级的像素个数； 3）计算原始图像直方图P(i)=Ni/N； 4）计算累计直方图P(j)=P(1) + P(2) + P(3) +…+ P(i)； 5）利用灰度值变换函数计算变换后的灰度值，兵四舍五入取整；j=INT[(L-1)Pj+0.5] 6）确定灰度变换关系i→j，据此将原图像的灰度值f（m,n）=i修正为g（m，n）=j； 7）统计变换后个灰度级的像素个数Nj； 8）计算变换后图像的直方图Pj=Nj/N （II）图像均衡化后的缺点： 1）变换后图像的灰度级减少，某些细节消失； 2）某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。 直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展
基于改进的颜色直方图的图像检索算法
基于改进的颜色直方图的图像检索算法 作者：来源：https://www.360docs.net/doc/bc9727732.html,/tember/archive/2006/06/05/773456.asp发表时间：2006-06-05 浏 览次数：1819 字号：大中小 基于内容的图像检索(CBIR) 所谓基于内容图像的检索是指由图像分析软件对输入的图像先进行图像分析，根据图像中物体或区域的颜色(color)、形状(shape)或纹理(texture)等特征以及这些特征的组合，自动抽取特征，在将输入图像存入图像库的同时将其相应的特征向量也存入与图像库相连的特征库。在进行检索图像时，对每一幅给定的查询图，进行图像分析，并提取图像特征向量。将该图像的特征向量和特征库中的特征向量进行匹配，根据匹配的结果到图像库中搜索就可以提取出所需要的检索图。这是一种基于图像固有属性的机械匹配，特别适用于检索目标明确的查询要求(例如对商标的检索)，产生的结果也比较准确。目前这种较成熟的检索技术主要应用于图像数据库的检索。在基于Web的图像搜索引擎中应用这种检索技术虽还具有一定的困难，但已有部分图像搜索引擎进行了尝试，如、yahoo, WebSEEK就提供了基于图像的形状或颜色直方图的粗陋的可视检索功能。 基于内容的图像检索是一个逐步求精的过程，大致可以经过以下几个步骤: (1).特征提取 对图像数据进行自动或半自动的特征提取，提取用户感兴趣的、适合检索要求的特征。特征提取可以是全局性的，如整幅图像，也可能是针对某个目标，如图像中的子区域等。 (2).图像匹配 在选取了特征之后，需要选择或寻找适当的判别准则，从而判断出待识别的图像的特征与数据库中的哪些图像的特征最接近。常用的度量准则是距离度量法。 (3).结果输出，将满足一定相似性条件的一组候选结果按相似度大小排列后返回给用户。 (4).特征调整，对系统返回的结果可通过浏览来挑选，直至找到满意的结果，或从候选结果中选择一个示例，经过特征调整，形成一个新的查询。 图像特征的提取的方法
一种基于直方图统计特征的直方图匹配算法的研究_朱磊
收稿日期:2004-01-21 作者简介:朱磊(1973— ),男,江苏南京人,工学博士,讲师,研究方向:多媒体信息处理与通信网络管理。文章编号:1003-6199(2004)02-0048-04 一种基于直方图统计特征的直方图匹配算法的研究 朱 磊 (解放军理工大学通信工程学院,江苏南京 210007) 摘 要:本文提出并验证了基于直方图统计特征的直方图匹配算法。直方图作为对图像 颜色或灰度分布的一种基本描述量,利用其统计特征进行直方图之间的相似性度量。实验结果表明,在获得相同查准率的情况下,利用直方图统计特征量测算的算法比经典的欧氏距离测算算法具有更高的查全率。 关键词:直方图;匹配算法;统计特征中图分类号:TP391 文献标识码:A The Application of Digital Library T echnology in the Integrated Management Platform for Military Information ZHU Lei (Institute of Communication Engineering ,PLAUST ,Nanjing ,210007,China ) Abstract :In this paper ,the histogram ’s matching that based on the histogram ’s statistical characteriza 2tion was put forward and implemented.As a basic descriptor of the distribution of color or gray ,histogram ’s statistical characterization was used to compute the similarity between each other.The experimental result in 2dicates that when compared with the classical Euclidean distance measure method ,the new matching algo 2rithm can achieve a higher recall and the same precision. K ey w ords :histogram ;matching algorithm ;statistical characterization 1 引言 在对图像颜色特征的描述上,直方图(his 2togram )是一个非常有效的工具。直方图描述了图像颜色的统计分布特征,且具有平移、尺度和旋转的不变性,因此在颜色检索中被广泛采用。经典的直方图匹配算法是计算直方图之间的欧氏距离,在这种计算方法中,对直方图之间的相似度测量是按照矢量距离测量的思路进行的。本文采用随机变量的数字特征分析方法,利用直方图的统计特征进行直方图之间的相似性度量,将直方图随机变量的均值、方差和K olmogorov -Smirnov 检测量结合起 来,利用三者的加权和来代替欧氏距离判决公式, 对两幅图像的直方图之间的相似性进行度量。本文对这部分的工作进行了实验比较,实验结果表明,在获得相同查准率的情况下,利用直方图统计特征量测算的算法比经典的欧氏距离测算算法具有更高的查全率。 2 基于随机变量统计特征的直方图匹配算法 灰度直方图是灰度级的函数,它表示图像中具有每种灰度级的像素的个数,反映图像中每种灰度出现的频率。如图1所示,灰度直方图的横坐标是灰度级,纵坐标是该灰度级出现的频率,是图像最 第23卷第2期2004年6月 计 算 技 术 与 自 动 化Computing Technology and Automation Vol 123,No 12 J un 12004
基于颜色特征的图像检索算法的实现
目录 摘要 (1) 关键字 (1) 1绪论 (1) 1.1 基于内容的图像检索的概念 (1) 1.2 基于内容的图像检索的发展历史 (1) 1.3 基于内容的图像检索的特点和主要应用 (1) 1.4 基于内容的图像检索的关键技术 (2) 1.5 国内外研究现状 (3) 1.5.1 国外研究现状 (3) 1.5.2 国内研究现状 (4) 2 基于颜色特征的图像检索方法 (4) 2.1 颜色度量体系 (4) 2.2 颜色空间 (5) 2.2.1 RGB颜色空间 (5) 2.2.2 HSV颜色空间 (5) 2.2.3 CMY颜色空间 (6) 3 颜色特征的表达 (7) 3.1 颜色直方图 (7) 3.2 累加直方图 (8) 4 图像特征的相似性匹配 (9) 4.1 距离度量方法 (9) 4.2直方图的交集的方法 (9) 4.3 欧式距离法 (9) 5 图像检索算法实现 (10) 5.1程序开发运行环境 (10) 5.2 程序检索逻辑 (10) 5.3 算法具体实现 (11) 5.4 实例演示 (14) 6 全文总结与展望 (15) 6.1 全文总结 (15) 6.2 展望 (15) 致谢 (15) 参考文献 (16) 英文摘要 (16)
基于颜色特征的图像检索算法的实现 摘要：文章介绍了一种基于颜色特征的图像检索技术的算法并给出了程序实现。首先介绍了基于内容的图像检索技术、发展历史及基于内容的图像检索技术的特点和主要应用，并在此基础上探讨了该领域所用到的一些关键技术。文章着重探讨了图像的颜色空间、图像特征提取及图像相似性度量等内容，并利用matlab技术实现了一个简单图像检索的程序。文章最后则对当前基于内容图像检索技术研究热点和今后的发展方向进行简单的阐述。 关键字：基于内容的图像检索；颜色特征；颜色直方图；相似度度量方法 1 绪论 1.1 基于内容的图像检索的概念 基于内容的图像检索[1]（Content Based Image Retrieval, CBIR）是一项从图像数据库中找出与检索式内容相似的图像的检索技术。它利用从图像中自动抽取出来的底层特征，如颜色、纹理、轮廓和形状等特征，进行计算和比较，检索出符合用户需求的结果图像集。目前图像检索系统技术实现的基础是对底层特征信息的计算和比较，也即是“视觉相似”。 1.2 基于内容的图像检索的发展历史 图像检索技术的发展[2]可以分为两个阶段，第一阶段始于70年代，当时的图像检索是通过人工的标注来实现的，随着计算机技术和通信网技术的发展，特别是因特网的快速发展，图像数据的容量越来越大了，这种“以关键字找图”的方法越来越不适应检索技术的发展了。由于图像内容的丰富内涵以及人们对图像内容进行抽象时的主观性不同的人对同一幅图像有不同的理解，这就引入了主观多义，不利于检索。为了克服文本标注检索的弊端，90年代研究者提出了基于内容的图像检索，其方法是:根据图像的颜色特征、纹理特征、形状特征以及空间关系等作为索引，计算查询图像和目标图像之间的相似距离，然后按相似度匹配进行检索，这种技术很大程度地利用了人们的视觉客观特性，避免不同人对图像主观理解的不同而达不到理想的搜索效果。从研究方向的层面来看，基于内容的图像检索可分为三层：第一层是根据图像的底层特性来进行检索，如颜色、纹理，形状等等，涉及图像信息处理、图像分析和相似性匹配技术；第二层是基于图像对象语义，如图像中实体及实体之间的拓扑关系的检索，对象级检索技术建立在下层特征基础上，并引入了对象模型库、对象识别和人工智能等图像理解技术；第三层是基于图像的抽象属性如行为语义，情感语义和场景语义的推理学习来进行检索。需要用到知识库和更加有效的人工智能和神经网络技术。这三个层次由低到高，与人的认知接近，下一个层次通常包含了比上一个层次更高级的语义，更高层的语义往往通过较低层的语义推理获得。尽管经过了多年的研究，较为成熟的基于内容的图像检索技术目前仍处于底层水平，由于底层研究是上层研究的基础，为了给上层建立准确、有效的图像特征提取方法，底层的研究仍在不断的发展。 1.3 基于内容的图像检索的特点和主要应用 基于内容的图像检索技术有以下特点[3]： 一是它突破了传统的基于表达式检索的局限，从媒体内容中提取信息线索。
基于灰度直方图和边界方向直方图的图像检索
基于灰度直方图和边界方向直方图的图像 检索 摘要：针对用传统灰度直方图方法检索图像效果不佳的问题，提出了结合灰度直方图和边界方向直方图的方法。灰度直方图反映了灰度图像的整体亮度特征，而忽略了图像的空间分布。而边界方向直方图则表征了图像的形状特征。论文综合使用图像的颜色特征与形状特征进行图像，实验结果表明相比使用单个特征提高了检索正确率。 关键词：图像检索，灰度直方图，边界方向直方图 1 前言 随着互联网的发展，人类的生活已与网络密不可分。网络共享的资源包括数目众多的文字、图像及视频等数据。而如果用户需要从大量的图像中搜索到自己需要的一副图像，就需要应用图像检索技术。图像检索技术包括基于文本的图像检索技术（text-based image retrieval，TBIR）和基于内容的图像检索技术（content-based image retrieval，CBIR）。TBIR依靠人工对图像进行文字注解，利用文本检索实现对图像特征的查找。由于文字很难反映图像中的完整内容，且费时费力，CBIR技术已渐渐不能适应图像检索的需求。CBIR利用图像自身具有的颜色、纹理、形状及区域等特征，依靠例图在图像数据库中进行检索，实现了图像视觉内容特征的检索。由于能更好地满足用户对图像的检索需求，CBIR 成为图像检索技术研究的主流。 灰度图像作为数字图像的一大类，具有灰度分辨率高的特点，包含了十分丰富的图像信息。在MATLAB中，可以将数字图像转化成灰度图像，计算其灰度直方图作为图像的一个特征。 形状特征是图像的一种基本特征，也是人类视觉系统进行物体识别时所识别的关键信息之一。边界方向直方图具有尺度不变性, 能够比较好的描述图像的大体形状。 综合特征检索就是综合图像的颜色、形状、纹理或空间位置等特征表示，计算图像特征向量。各个特征间应有一个权重关系，由用户根据需要进行调整，以适应不同情况的查询。本文采用的检索方式就是综合颜色特征和形状特征的图像检索，与单个特征检索相比，多特征组合的图像检索提高了检索正确率。
直方图均衡化
算法 经典算法 下面以一幅3*2像素的简单图片（图C）为例，来说明灰度直方图均衡化的算法。 （图C） 图C的直方图： 注意看百分位(Percentile)这一项。一般软件的百分位是当前色阶的像素数量÷总像素数量，而Photoshop不同，Photoshop显示的是当前色阶与前面色阶的所有像素数量÷总像素数量。因此图C色阶为100时的百分位就是(3+2)/6=5/6=83.33%，这个百分位其实就是我们要求的灰度值(范围0~1)，把它转换成0~255的范围，要再乘255。 求出每个色阶的百分位之后，再乘255，就可以求出与其对应的灰度值来。
色阶数量出现频率百分位 255*百分位 根据每个色阶的色阶->255*百分位的对应关系组成一个灰度映射表，然后根据映射表来修改原来图片每个像素的灰度值。对于图C，用128替换50，用212替换100，用255替换200。这样，灰度直方图的均衡化就完成了。 直方图均衡化是灰度变换的一个重要应用，它高效且易于实现，广泛应用于图像增强处理中。图像的像素灰度变化是随机的，直方图的图形高低不齐，直方图均衡化就是用一定的算法使直方图大致平和。 均衡化处理后的图象只能是近似均匀分布。均衡化图象的动态范围扩大了，但其本质是扩大了量化间隔，而量化级别反而减少了，因此，原来灰度不同的象素经处理后可能变的相同，形成了一片的相同灰度的区域，各区域之间有明显的边界，从而出现了伪轮廓。 如果原始图像对比度本来就很高，如果再均衡化则灰度调和，对比度降低。在泛白缓和的图像中，均衡化会合并一些象素灰度，从而增大对比度。均衡化后的图片如果再对其均衡化，则图像不会有任何变化。 灰度直方图均衡化的算法，简单地说，就是把直方图的每个灰度级进行归一化处理，求每种灰度的累积分布，得到一个映射的灰度映射表，然后根据相应的灰度值来修正原图中的每个像素。 经典的直方图均衡化算法可能存在以下一些不足： 1.输出图像的实际灰度变化范围很难达到图像格式所 允许的最大灰度变化范围。 2.输出图像的灰度分布直方图虽然接近均匀分布, 但 其值与理想值1/n仍有可能存在较大的差异, 并非 是最佳值。