Histogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung
Von Fouad Sabry
()
Über dieses E-Book
Was ist Histogrammausgleich
Der Histogrammausgleich ist eine Methode in der Bildverarbeitung zur Kontrastanpassung mithilfe des Histogramms des Bildes.
Wie Sie wollen Nutzen
(I) Einblicke und Validierungen zu den folgenden Themen:
Kapitel 1: Histogrammausgleich
Kapitel 2: Kumulative Verteilungsfunktion
Kapitel 3: Histogramm
Kapitel 4: Zufallsvariable
Kapitel 5: Ordnungsstatistik
Kapitel 6: HSL und HSV
Kapitel 7: Farbhistogramm
Kapitel 8: Kontinuierliche Gleichverteilung
Kapitel 9: Optische Auflösung
Kapitel 10: Empirische Verteilungsfunktion
(II) Beantwortung der häufigsten öffentlichen Fragen zum Histogrammausgleich.
(III) Beispiele aus der Praxis für die Verwendung des Histogrammausgleichs in vielen Bereichen.
Wer Dieses Buch richtet sich an
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über das Grundwissen oder die Informationen für irgendeine Art von Histogrammausgleich hinausgehen möchten.
Mehr von Fouad Sabry lesen
Ähnlich wie Histogrammausgleich
Titel in dieser Serie (100)
Gemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenFarberscheinungsmodell: Wahrnehmung und Darstellung in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHadamard-Transformation: Enthüllung der Leistungsfähigkeit der Hadamard-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenBildkompression: Effiziente Techniken zur visuellen Datenoptimierung Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenAdaptiver Filter: Verbesserung der Computer Vision durch adaptive Filterung Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenOrientiertes Gradienten-Histogramm: Enthüllung des visuellen Bereichs: Erkundung des Histogramms mit orientierten Farbverläufen in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenHomographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenKantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenFarbanpassungsfunktion: Spektrale Empfindlichkeit in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenHarris Eckendetektor: Enthüllung der Magie der Bildmerkmalserkennung Bewertung: 0 von 5 Sternen0 BewertungenAktive Kontur: Weiterentwicklung der Computer Vision mit aktiven Konturtechniken Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenFarbmanagementsystem: Optimierung der visuellen Wahrnehmung in digitalen Umgebungen Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenModell des menschlichen visuellen Systems: Wahrnehmung und Verarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenFarbmodell: Das Spektrum des Computer Vision verstehen: Farbmodelle erkunden Bewertung: 0 von 5 Sternen0 BewertungenLevel-Set-Methode: Weiterentwicklung der Computer Vision, Erforschung der Level-Set-Methode Bewertung: 0 von 5 Sternen0 BewertungenFilterbank: Einblicke in die Filterbanktechniken von Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Bildsegmentierung: Erkenntnisse durch Pixelpräzision erschließen Bewertung: 0 von 5 Sternen0 BewertungenFarbzuordnung: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRastergrafik-Editor: Visuelle Realitäten transformieren: Rastergrafik-Editoren in Computer Vision beherrschen Bewertung: 0 von 5 Sternen0 BewertungenVolumen Rendern: Erforschung des Visuellen Realismus in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenPHOTOKOLLEGIUM 6: Farbdruck & Colormanagement in der digitalen Fotografie Bewertung: 0 von 5 Sternen0 BewertungenComputer-Vision-Grafikschnitte: Erforschung von Graphschnitten in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAlpha-Compositing: Beherrschen der Kunst der Bildkomposition in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBump-Mapping: Bump Mapping: Erforschung der Tiefe der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSkalieren Sie den Raum: Erforschung von Dimensionen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenDigitale Rastergrafik: Enthüllung der Leistungsfähigkeit digitaler Rastergrafiken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRastergrafiken: Die Grundlagen der Rastergrafik in der Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Filterung: Entschlüsselung der visuellen Komplexität in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenDreidimensionale Multi-View-Rekonstruktion: Fortgeschrittene Techniken zur räumlichen Wahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbmanagementsystem: Optimierung der visuellen Wahrnehmung in digitalen Umgebungen Bewertung: 0 von 5 Sternen0 BewertungenTextur Zuordnung: Erforschung der Dimensionalität im Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbraum: Erkundung des Spektrums von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenCanny Edge Detector: Enthüllung der Kunst der visuellen Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenOrientiertes Gradienten-Histogramm: Enthüllung des visuellen Bereichs: Erkundung des Histogramms mit orientierten Farbverläufen in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenEigenface: Erkunden Sie die Tiefen der visuellen Erkennung mit Eigenface Bewertung: 0 von 5 Sternen0 BewertungenKantenglättung: Verbesserung der visuellen Klarheit in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenPartitionierung des binären Raums: Erkundung der binären Raumpartitionierung: Grundlagen und Anwendungen in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenStrichzeichnungsalgorithmus: Beherrschen von Techniken zur präzisen Bildwiedergabe Bewertung: 0 von 5 Sternen0 BewertungenVektorgrafik-Editor: Ermöglichen Sie die visuelle Erstellung mit fortschrittlichen Algorithmen Bewertung: 0 von 5 Sternen0 BewertungenSchattierung: Erforschung der Bildschattierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVertex-Computergrafik: Erkundung der Schnittstelle zwischen Vertex Computer Graphics und Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAktives Erscheinungsmodell: Erschließung der Leistungsfähigkeit aktiver Darstellungsmodelle in der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
Meistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenAufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 BewertungenDie KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5Künstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenRoboter im Alltag: Maschinen (beinahe) wie Menschen Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenWissen statt Glauben!: Das Weltbild des neuen Humanismus Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Histogrammausgleich
0 Bewertungen0 Rezensionen
Buchvorschau
Histogrammausgleich - Fouad Sabry
Kapitel 1: Histogramm-Entzerrung
In der Bildverarbeitung ist die Histogrammentzerrung eine Technik zum Anpassen des Kontrasts durch Betrachten des Histogramms des Bildes.
Wenn ein Bild einen begrenzten Intensitätsbereich hat, wird diese Technik verwendet, um den globalen Kontrast zahlreicher Bilder zu erhöhen. Diese Modifikation ermöglicht eine gleichmäßigere Anwendung des gesamten Intensitätsbereichs über das Histogramm. Dadurch ist es möglich, dass Gebiete mit geringem lokalen Kontrast ihren Differenzierungsgrad verbessern. Der Bildkontrast wird durch den Einsatz von Histogramm-Entzerrung reduziert, indem die dicht gepackten Intensitätswerte effektiv verteilt werden.
Die Technik funktioniert gut, wenn Vorder- und Hintergrund eines Bildes die gleiche Helligkeit oder den gleichen Kontrast haben. In Röntgenaufnahmen kann das Verfahren beispielsweise die Sichtbarkeit der Knochenstruktur verbessern, und in unter- oder überbelichteten Bildern kann es Details wiederherstellen. Der Hauptvorteil der Methode besteht darin, dass es sich um eine einfache Technik handelt, die leicht an jedes Eingabebild und jeden Operator angepasst werden kann, der invertiert werden kann. Daher kann theoretisch das ursprüngliche Histogramm wiederhergestellt werden, wenn die Histogramm-Entzerrungsfunktion bekannt ist. Die Berechnung ist mit wenig Rechenaufwand verbunden. Die mangelnde Selektivität der Methode ist ein Nachteil. Es könnte das Rauschen stärker wahrnehmbar machen und gleichzeitig die Qualität der Übertragung verringern.
Ein kleines Signal-Rausch-Verhältnis behindert in der Regel die visuelle Erkennung in der wissenschaftlichen Bildgebung, bei der die räumliche Korrelation wichtiger ist als die Stärke des Signals (z. B. die Differenzierung von DNA-Abschnitten quantisierter Länge).
Die Histogrammentzerrung eignet sich hervorragend für wissenschaftliche Fotos wie Wärme-, Satelliten- oder Röntgenbilder, die gleiche Kategorie von Bildern, auf die man falsche Farben anwenden würde, aber sie führt in der Fotografie oft zu unnatürlichen Ergebnissen. Bei der Anwendung auf Fotos mit geringer Farbtiefe kann die Histogrammentzerrung zu unbeabsichtigten Ergebnissen führen (z. B. zu einem auffälligen visuellen Verlauf). Wenn Sie es beispielsweise für ein 8-Bit-Bild verwenden, das mit einer 8-Bit-Graustufenpalette präsentiert wird, wird die Farbtiefe des Bildes (die Anzahl der verschiedenen Graustufentöne) noch weiter reduziert. Fotos mit einer größeren Farbtiefe als die Palettengröße, wie z. B. fortlaufende Daten oder 16-Bit-Graustufenbilder, profitieren am meisten von der Histogrammentzerrung.
Die Histogrammentzerrung kann auf zwei verschiedene Arten angezeigt und implementiert werden: als Bildwechsel oder als Palettenänderung. Insbesondere kann die Operation bei einem gegebenen Eingabebild I, einer Palette P und einem Ausgabebild M als P(M(I)) geschrieben werden. Die Histogrammentzerrung kann als Palettenwechsel oder Mapping-Wechsel implementiert werden, wenn eine neue Palette als P'=P(M) definiert ist, wobei Bild I unverändert bleibt. Alternativ, wenn die Palette P gleich bleibt und das Bild auf I'=M(I) geändert wird, dann wird die Implementierung über eine Änderung des Bildes selbst durchgeführt. Das Ändern der Palette ist vorzuziehen, da dadurch die ursprünglichen Informationen geschützt werden.
Einige Varianten dieser Technik verwenden eine Sammlung von Histogrammen (als Subhistogramme bezeichnet), um regionale und nicht globale Unterschiede hervorzuheben. Adaptive Histogramm-Entzerrung, kontrastbegrenzende adaptive Histogramm-Entzerrung (CLAHE), Multipeak-Histogramm-Entzerrung (MPHE) und Mehrzweck-Beta-optimierte Bihistogramm-Entzerrung sind alles Methoden, die unter diese Kategorie (MBOBHE) fallen. Diese Techniken, insbesondere MBOBHE, zielen darauf ab, den HE-Algorithmus zu optimieren, um den Kontrast zu erhöhen, ohne Helligkeitsmittelwertverschiebung und Detailverlustaberrationen einzuführen.
Als Teilmenge der breiteren Kategorie der Histogramm-Remapping-Techniken ist die Histogramm-Entzerrung ein nützliches Werkzeug. Diese Techniken zielen darauf ab, die visuelle Qualität zu erhöhen und die Interpretation von Bildern zu erleichtern (z. B. Retinex)
Das angepasste Histogramm wird dann in einem Prozess, der als Rückprojektion (oder Projekt
) bezeichnet wird, auf das Originalbild angewendet, das als Nachschlagedatenbank für Pixelhelligkeitsstufen dient.
Die Funktion weist dem Ausgabebild den Wert des Histogramm-Klassen zu, wobei die Koordinaten des Abschnitts durch die Pixelwerte in jeder Eingabegruppe bestimmt werden, die von allen Einkanalfotos an derselben Stelle gesammelt wurden. Der Wert jedes Pixels im endgültigen Bild stellt die statistische Wahrscheinlichkeit dar, dass die übereinstimmende Eingabepixelgruppe aus demselben Objekt wie das Histogramm dieses Elements stammt.
Betrachten Sie ein diskretes Graustufenbild {x} und lassen Sie ni die Anzahl der Vorkommen der Graustufe i sein.
Die Wahrscheinlichkeit, dass das Bild ein Pixel mit der Intensitätsstufe I enthält, beträgt
\ p_{x}(i)=p(x=i)={\frac {n_{i}}{n}},\quad 0\leq i<L{\displaystyle \ L} Da es sich um die Gesamtzahl der Graustufen im Bild handelt (typischerweise 256), steht n für die Anzahl der Bildpixel und p_{x}(i) ist in der Tat das Histogramm des Bildes für den Pixelwert i, kalibriert auf das Intervall [0,1].
Die kumulative Verteilungsfunktion für I wird definiert als
{\displaystyle \operatorname {cdf} _{x}(i)=\sum _{j=0}^{i}p_{x}(x=j)} , zusätzlich zum normalisierten Histogramm der gesammelten Daten des Bildes.
Wir möchten eine Transformation der Form erstellen {\displaystyle \ y=T(x)} , um ein neues Bild {y} zu erzeugen, histogrammweise, Null.
In diesem Fall wäre die kumulative Verteilungsfunktion (CDF) der Bildwerte linear, d.h.
{\displaystyle \operatorname {cdf} _{y}(i)=(i+1)K} für {\displaystyle 0\leq i
Für einige konstante {\displaystyle \ K} .
Diese Transformation ist aufgrund der Eigenschaften der CDF möglich (siehe Inverse Verteilungsfunktion); Konkret bedeutet es:
{\displaystyle \ y=T(k)=\operatorname {cdf} _{x}(k)}wobei sich \ k im Bereich befindet {\displaystyle [0,L-1])} .
Beachten Sie, dass \ T die Ebenen in den Bereich [0,1] eingeordnet werden, da wir ein standardisiertes Histogramm von x verwendet haben.
Abgleichen der Werte mit ihrer ursprünglichen Domäne, Um das gewünschte Ergebnis zu erhalten, muss die folgende einfache Transformation für die Ausgabe durchgeführt werden:
{\displaystyle \ y^{\prime }=y\cdot (\max\{x\}-\min\{x\})+\min\{x\}=y\cdot (L-1)}.
Hier stellen wir eine tiefergehende Herleitung vor.
\ y ist ein reeller Wert, während {\displaystyle \ y^{\prime }} es eine ganze Zahl sein muss.
Die Verwendung des Rundungsvorgangs ist eine gängige und einfache Lösung:
{\displaystyle \ y^{\prime }=\operatorname {round} (y\cdot (L-1))} .
Eine genauere Untersuchung ergibt jedoch eine leicht modifizierte Formulierung.
Der zugeordnete Wert {\displaystyle \ y^{\prime }} sollte 0 für den Bereich von {\displaystyle 0
Und {\displaystyle \ y^{\prime }=1} für {\displaystyle 1/L
Dann sollte \ y die Quantisierungsformel von bis {\displaystyle \ y^{\prime }}
{\displaystyle y^{\prime }=\operatorname {ceil} (L\cdot y)-1} .
(Hinweis: {\displaystyle y^{\prime }=-1} Wenn {\displaystyle \ y=0} dies jedoch nicht geschieht, bedeutet {\displaystyle \ y=0} dies, dass es kein Pixel gibt, das diesem Wert entspricht.)
Das obige Beispiel beschreibt die Entzerrung des Histogramms von Graustufenbildern. Die gleiche Methode kann jedoch für Farbbilder verwendet werden, indem sie unabhängig auf die RGB-Farbwerte der Rot-, Grün- und Blaukanäle des Bildes angewendet wird. Da die relativen Verteilungen der Farbkanäle jedoch durch die Anwendung des Algorithmus variieren, kann die Verwendung desselben Verfahrens für die Rot-, Grün- und Blaukomponenten eines RGB-Bildes zu drastischen Änderungen der Farbbalance des Bildes führen. Es ist möglich, die Technik auf den Helligkeits- oder Wertekanal anzuwenden, ohne den Farbton und die Sättigung des Bildes zu beeinflussen, indem das Bild zuerst in ein anderes Farbsystem konvertiert wird, z. B. in den Lab-Farbraum oder den HSL/HSV-Farbraum. Im dreidimensionalen Raum existieren verschiedene Histogramm-Entzerrungsstrategien. Die Histogramm-Entzerrung wurde im 3D-Farbraum von Trahanias und Venetsanopoulos verwendet.
In Übereinstimmung mit der Standardterminologie der Statistik ist CDF
(d. h.
Es wird empfohlen, anstelle von kumulative Verteilungsfunktion
kumulatives Histogramm
zu verwenden, zumal im Text auf die kumulative Verteilungsfunktion verwiesen wird; Diese Funktion wird berechnet, indem die Werte im kumulativen Histogramm durch die Gesamtzahl der Pixel dividiert werden.
Die entzerrte CDF wird in Bezug auf den Rang als definiert {\displaystyle rank/pixelcount} .
Im Folgenden sind die Werte des angezeigten 8-Bit-Graustufenbildes aufgeführt:
In der folgenden Tabelle wird das Histogramm des Bildes angezeigt. Der Kürze halber wurden Pixelwerte mit einer Anzahl von Null weggelassen.
Unten sehen Sie die cdf oder kumulative Verteilungsfunktion. Der Kürze halber schließen wir wieder Pixelwerte aus, die die cdf nicht erhöhen.
(Bitte beachten Sie, dass die {\displaystyle h(v)=\operatorname {ceil} (\operatorname {cdf} (v))-1} Version noch nicht abgebildet ist.)
Der Wertebereich im Unterbild liegt mit dieser cdf zwischen 52 und 154.
Der Wert 154 hat einen cdf von 64, was der Anzahl der Pixel im Bild entspricht.
Die cdf muss auf normalisiert werden [0,255] .
Eine Entzerrungsformel für Histogramme im Allgemeinen lautet:
{\displaystyle h(v)=\mathrm {round} \left({\frac {\operatorname {cdf} (v)-\operatorname {cdf} _{\min }}{(M\times N)-\operatorname {cdf} _{\min }}}\times (L-1)\right)}wobei cdfmin der minimale Wert ungleich Null der kumulativen Verteilungsfunktion ist (in diesem Fall 1), M × N gibt die Anzahl der Pixel des Bildes an (für das obige Beispiel 64, wobei M die Breite des Bildes, N seine Höhe und L die Anzahl der Graustufen ist, wie in diesem Fall 256).
Die obige Gleichung könnte alternativ wie folgt aussehen, wenn Sie die ursprünglichen Datenwerte über 0 auf den Bereich von 1–L–1 skalieren möchten, einschließlich:
{\displaystyle h(v)=\mathrm {round} \left({\frac {\operatorname {cdf} (v)-\operatorname {cdf} _{\min }}{(M\times N)-\operatorname {cdf} _{\min }}}\times (L-2)\right)+1}Orte, an denen CDF(V) größer als Null ist. Der Nicht-Null-Wert des Minimalwerts wird beibehalten, wenn