C3灰度图像的直方图匹配及其均衡化程序设计(6)
直方图均衡化和匹配原理
在对图像进行处理之前，了解图像的灰度分布情况是非常必要的。灰度直方图就是图像灰度分布的反应。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反应了图像中每种灰度出现的频率。
改变图像的对比度进行图像增强，图像的直方图显然也要发生变化，但灰度对比度变换增强技术不考虑图像的直方图如何变化。直方图修正增强技术是以直方图作为变换的依据，使变换后的图像直方图成为期望的形状。事实上，直方图修正可以看作是自动获取灰度对比度变换的只用方法。
数字图像
离散图像又称为数字图像，将平面区域G={（x,y）|0≤x≤M,0≤y≤N}内连续图像f(x,y)按一定方式划分为小块区域（x_i，y_i ）(i=0,1,…,M-1;j=0,1,…,N-1)。这些小区域称为图像元素（picture element），简称为像素（pixel）。像素是组成数字图像的基本元素，是按某种规律，比如，模拟/数字转换编成的一系列二进制数码表示的信息。
图像进行的两个离散化操作也称为图像数字化处理。通过数字化处理，就可以获得数字图像，在这些小区域上获得图像的亮度作为“样本”的过程就是通常所说的采样。采样过程中获取的亮度样本值。我们还需要将这些值“量化”为整数值。一般地将亮度值均匀地量化成256个等级。有两种方法表示从白到黑的量化；一种是0-255对应由白到黑，另一种是0-255对应由黑到白。在图像处理时，应该注意，相应系统是采用哪一种表示法。
图像在空间上经过离散化并对采样值量化后，一幅宽高分别为M和N的图像简称为M*N图像，可用(1.1)矩阵表示。
此处M和N，通常可用2的整数幂表示，比如M=2^m，N=2^n，常称（1.1）的矩阵f为图像矩阵。由（1.1）可知，离散图像的宽度M是图像矩阵的列数，而高度N是行数。
根据图像的不同，通常可以分为以下三类。
灰度图像
当一幅图像具有2^k灰度级时，常称该图像是k比特图像。比如，一幅有2^8=256个灰度级，就称其为8比特图像，灰度图像矩阵元素f(i,j)的取值范围通常为[0,255]，所以称为256级灰度图像，一般地，“0”级表示纯黑色，“255”级表示纯白色，中间的灰度级从小到大表示由黑到白的过渡。
二值图像
一幅二值图像的二文矩阵仅由为0、1两个值组成，“0”代表白色，“1”代表黑色，二值图像通常用于文字、线条图的扫描识别和掩膜图像的存储，二值图像可以看成是灰度图像的一个特例，请注意，在图像存储时，即使二值图像其灰度值仍然在[0,255]内，但它仅有两个值：0和255。所以二值图像在存储时，必须将0-1图像序列转化成255-0图像序列。
RGB彩色图像
RGB图像分别用红（R）、绿（G）、蓝（B）三原色的组合来表示每个像素的颜色。图像中的每个像素的颜色值，用RGB三原色表示直接存放在图像矩阵中。由于每一像素的颜色需要R、G、B三个分量来表示，所以RGB图像的图像矩阵与其它类型的图像矩阵不同，是一个三文矩阵可用M*N*3表示。比如，若f表示彩色图像，则在矩阵（1.1）中
f(i,j)=f ⃗(i,j)=(f_(R ) (i,j),f_G (i,j),f_(B ) (i,j))(i=0,1,…,M-1;j=0,1,…,N-1) (2.1)
是一个三文向量，由表示R、G、B值的3个分量组成。
直方图均衡化原理与算法
线性点运算
灰度图像的点运算可分为线性点运算和非线性点运算两种。
线性点运算就是输出灰度级与输入灰度级呈现型关系的点运算。在这种情况下，灰度变换函数的形式为：
g(x,y)=pf(x,y)+L (2.2)