算法的实现
利用VC++实现的灰度图像均衡化处理的流程如下:
根据上述的算法描述，要实现灰度图像的直方图均衡化必须首先统计原图像的各级灰度值，在程序中定义了一个数组lDegreeCount[256]来统计原图像的各级灰度值，然后对得到的灰度值做灰度映射，将映射后的结果存到一个新的灰度映射关系数组bMaptable[256]中，根据这个数组就可以确定出源图象的某个灰度级经过变换后对应于哪个新的灰度级，最后将变换后的结果保存到DIB中。经过这样的处理后，就可把源图像中密集分布的灰度值映射到经过均衡化后的新灰度级上，增加了对比度，改善了视觉效果。
实现直方图均衡化的函数主要代码如下:
BOOL WINAPI Equalize(LPSTR lpDIBs， LONG lWidth， LONG lHeight)
{
unsigned char* lpSource; // 指向源图像的指针
LONG lTmp; // 临时变量
LONG t，s; // 循环变量
BYTE bMaptable[256]; // 灰度映射表
LONG lDegreeCount[256]; // 灰度计数表
LONG lLineBytes; // 图像每行的字节数
lLineBytes = WIDTHBYTES(lWidth * 8); // 计算图像每行的字节数
// 重置计数为0
for (t = 0; t< 256; t ++)
{ lDegreeCount[i] = 0; }
for (t = 0;t < lHeight; t ++)
{for (s = 0; s< lWidth; s++)/ /计算各个灰度值的计数
{ lpSource = (unsigned char *)lpDIBs + lLineBytes * t + s;
lDegreeCount[*(lpSource)]++; // 该灰度值的计数加1
}
}
for (t = 0; t < 256; t++)// 计算灰度映射表
{ lTmp = 0; // 初始为0
for (s = 0; sj <= t ; s++)
{ lTmp += lDegreeCount[s]; }
bMaptable[t] = (BYTE) (lTmp * 255 / lHeight / lWidth);// 计算灰度值新的映射表
}
for(t = 0; t < lHeight; t++)// 每行
{ for(s = 0; s < lWidth; s++)// 每列
{ // 指向DIB第i行，第j个象素的指针
lpSource = (unsigned char*)lpDIBs + lLineBytes * (lHeight - 1 - t) + s;
*lpSource = bMaptable[*lpSource]; // 根据映射表计算新的灰度值
}
}
return TRUE;
} |
在程序中把打开图像、初始化DIB对象并获取指向DIB对象的指针、获取DIB对象的宽度和高度等操作放到视图类中，并将指向图像DIB象素的指针lpDIBs、图像的高DIBWidth(lpDIB)、宽DIBHeight(lpDIB)作为参数传递给Equalize()函数，这种方法能使程序的封装性和可移植性更好，体现了面向对象编程技术的优越性。
实验结果
原始Lena图像与均衡化后的Lena图像的直方图和图像效果对比如下(图1-图4)。
图中可以看出，原始Lena图像的灰度主要分布在中高灰度级上，在低灰度级上图像的像素数几乎为零。经过直方图均衡化处理后图像变的清晰了，处理后的LENA图像直方图分布更均匀，在每个灰度级上都有像素点。
结论
本文给出了一种用VC ++6.0实现灰度数字图像增强处理算法的应用程序，并给出了最终对比实验结果。由于图像处理需要处理大量的图像数据，经常使用复杂、费时的算法，因此图像处理程序的效率非常重要。较之Matlab、Java、C#等其他语言来说，VC++为图像处理的相关操作提供了很大的方便，易于硬件实现，提高了运行效率。由于VC ++ 具有的这些明显优势，采用VC ++ 开发平台实现数字图像处理是未来的一个趋势。
 
图1 原始Lena图像 图2 均衡化后的Lena图像
 
图3 原始图像的直方图 图4 均衡化后的直方图
说明：本教程来源互联网或网友上传或出版商，仅为学习研究或媒体推广，wanshiok.com不保证资料的完整性。
2/2 首页 上一页 1 2 |
