基于直方图均衡化图像增强算法分析
人脸识别技术的图像增强方法详解
人脸识别技术的图像增强方法详解人脸识别技术作为一种先进的生物识别技术，已经广泛应用于各个领域，如安全监控、人脸解锁、人脸支付等。
然而，由于环境光线、姿态、表情等因素的影响，人脸图像的质量可能会受到一定的影响，从而降低了识别的准确性。
为了解决这一问题，人们提出了各种图像增强方法，以提高人脸识别的性能。
一、直方图均衡化直方图均衡化是一种常用的图像增强方法，它通过对图像的像素值进行重新分配，使得图像的直方图更加均匀。
在人脸识别中，直方图均衡化可以增强图像的对比度，提高图像的清晰度。
具体而言，直方图均衡化可以通过以下步骤实现：1. 计算图像的直方图，得到各个灰度级的像素数量；2. 计算累积分布函数，得到每个灰度级对应的累积概率；3. 根据累积概率将原始图像的像素值映射到新的灰度级。
直方图均衡化能够有效地增强图像的对比度，使得人脸特征更加明显，从而提高了人脸识别的准确性。
二、自适应直方图均衡化尽管直方图均衡化能够增强图像的对比度，但是它忽略了图像局部的细节信息，可能会导致图像过度增强或细节丢失的问题。
为了解决这一问题，人们提出了自适应直方图均衡化方法。
自适应直方图均衡化将图像分成多个小区域，对每个小区域进行直方图均衡化，从而保留了图像的细节信息。
自适应直方图均衡化的具体步骤如下：1. 将原始图像分成多个小区域；2. 对每个小区域进行直方图均衡化；3. 将均衡化后的小区域合并成最终的增强图像。
自适应直方图均衡化能够更好地保留图像的细节信息，提高了人脸识别的准确性。
三、多尺度Retinex算法多尺度Retinex算法是一种基于图像亮度的增强方法，它通过模拟人眼对亮度的感知来增强图像的细节。
多尺度Retinex算法通过计算图像在不同尺度上的亮度分布，然后将亮度分布与原始图像进行融合，从而得到增强后的图像。
多尺度Retinex算法的具体步骤如下：1. 将原始图像分解成多个尺度的图像；2. 对每个尺度的图像进行Retinex增强，得到亮度分布图像；3. 将亮度分布图像与原始图像进行融合，得到增强后的图像。
图像增强算法（直方图均衡化、拉普拉斯、Log、伽马变换）
图像增强算法（直⽅图均衡化、拉普拉斯、Log、伽马变换）⼀、图像增强算法原理图像增强算法常见于对图像的亮度、对⽐度、饱和度、⾊调等进⾏调节，增加其清晰度，减少噪点等。
图像增强往往经过多个算法的组合，完成上述功能，⽐如图像去燥等同于低通滤波器，增加清晰度则为⾼通滤波器，当然增强⼀副图像是为最后获取图像有⽤信息服务为主。
⼀般的算法流程可为：图像去燥、增加清晰度（对⽐度）、灰度化或者获取图像边缘特征或者对图像进⾏卷积、⼆值化等，上述四个步骤往往可以通过不同的步骤进⾏实现，后续将针对此⽅⾯内容进⾏专题实验，列举其应⽤场景和处理特点。
本⽂章是⼀篇综合性⽂章，算是⼀篇抛砖引⽟的⽂章，有均衡化、提⾼对⽐度、降低对⽐度的算法。
1.1 基于直⽅图均衡化的图像增强图像对⽐度增强的⽅法可以分为两种：直接对⽐度增强⽅法，间接对⽐度增强⽅法。
直⽅图拉伸和直⽅图均衡化是常见的间接对⽐度增强⽅法。
直⽅图拉伸是利⽤对⽐度拉伸对直⽅图进⾏调整，扩⼤前景和背景灰度的差别，这种⽅法可以通过线性和⾮线性的⽅法来实现，其中ps中就是利⽤此⽅法提⾼对⽐度；直⽅图均衡化则是利⽤累积函数对灰度值进⾏调整，实现对⽐度的增强。
直⽅图均衡化处理原理：将原始图像的灰度图从⽐较集中的某个灰度区间均匀分布在整个灰度空间中，实现对图像的⾮线性拉伸，重新分配图像像素值。
算法应⽤场景：1、算法的本质是重新分布图像的像素值，增加了许多局部的对⽐度，整体的对⽐度没有进⾏太⼤改变，所以应⽤图像为图像有⽤数据的对⽐度相近是，例如：X光图像，可以将曝光过度或曝光不⾜照⽚进⾏更好的显⽰，或者是背景及前景太亮或太暗的图像⾮常有⽤。
2、算法当然也有缺点，具体表现为：变换后的图像灰度级减少，某些细节减少；某些图像有⾼峰值，则处理后对⽐度不⾃然的过分增强。
算法实现特点：1、均衡化过程：直⽅图均衡化保证在图像像素映射过程中原来的⼤⼩关系保持不变，即较亮的区域依旧较亮，较暗的依旧较暗，只是对⽐度增加，不能明暗颠倒；保证像素映射函数的值域在0和255之间。
白平衡算法——gamma算子
传统CRT：
二、基于伽马变换的图像增强
原理步骤：
归一化
补偿
反归一化
二、伽马变换原理
归一化： y cr , r [0,1]
将像素值转换为 0 ～ 1 之间的实数。 算法如下 :r= ( i + 0. 5)/256 这里包含 1 个除 法和 1 个加法操作。对于像素 A 而言 , 其对应的归一化值为 0. 783203 。
LUT[i] = intTemp; }
二、程序的实现
//单通道 if (resultImage->nChannels == 1) {
for (int i = 0; i < resultImage->height; i++) {
for (int j = 0; j < resultImage->width; j++) {
假设像素值 i=200
1 1 0.4545
gamma 2.2 0.783203 0.894872
二、伽马变换原理
反归一化：
将经过预补偿的实数值反变换为 0 ～ 255 之间的整数值。具体算法为 : f*256 - 0.
5 此步骤包含一个乘法和一个减法运算。续前 例 , 将 A 的预补偿结果 0. 894872
float f = (i + 0.5f) / 255; f = (float)(pow(f, kFactor)); int intTemp = f*255.0f - 0.5f; if(intTemp<0) {
intTemp=0; } else if(intTemp>255) {
intTemp=255; }
医学影像处理中的图像增强算法使用技巧分享
医学影像处理中的图像增强算法使用技巧分享图像增强是医学影像处理中的重要任务之一，它旨在改善图像的质量，使医生能够更准确地诊断和治疗疾病。
在医学影像处理领域，图像增强算法扮演着关键角色，它们能够增强图像的对比度、清晰度和边缘特征，从而提供更有用的信息。
在本文中，我们将分享一些医学影像处理中的图像增强算法使用技巧，帮助读者在实践中获得更好的结果。
1. 直方图均衡化(Histogram Equalization)直方图均衡化是一种简单却有效的图像增强方法，它通过重新分布图像像素的灰度级来增强图像的对比度。
在医学影像处理中，直方图均衡化可以帮助凸显影像中的重要结构和特征。
使用该算法时，需要考虑到不同图像具有不同的亮度分布特点，因此可能需要自适应的直方图均衡化算法来应对不同场景下的图像增强需求。
2. 噪声去除滤波器(Noise Removal Filters)噪声是医学影像处理中常见的问题之一，它会影响图像的质量和对比度。
为了去除噪声并增强图像，可以使用各种滤波器，如中值滤波器、高斯滤波器和均值滤波器。
中值滤波器可以有效地去除脉冲噪声，而高斯滤波器和均值滤波器则可以平滑图像并减少高频噪声。
根据图像的性质和需求，选择适当的滤波器非常关键。
3. 边缘增强(Edge Enhancement)边缘增强是一种用于增强图像边缘特征的方法，它可以使医生更容易地检测和分析图像中的病灶和结构。
在医学影像处理中，常用的边缘增强算法包括Laplacian增强、Sobel增强和Canny边缘检测。
这些算法能够突出显示图像中的边缘信息，并减少噪声的干扰。
然而，在使用边缘增强算法时，需要注意避免过度增强图像，以免造成误诊。
4. 对比度增强(Contrast Enhancement)对比度增强是一种改善图像对比度的方法，它可以使图像中的细节更加清晰可见。
在医学影像处理中，常见的对比度增强算法包括直方图拉伸、伽马校正和局部对比度增强。
直方图拉伸可以通过拉伸图像的灰度级范围来改善图像的对比度。
图像处理中的图像增强算法比较研究
图像处理中的图像增强算法比较研究引言：图像增强是图像处理领域的重要任务之一。
图像增强旨在提升图像的视觉质量和可读性。
随着科技的进步，图像增强算法得到了广泛的应用。
本文将比较几种常见的图像增强算法，分析其优缺点，并探讨其在不同应用场景中的适用性。
一、直方图均衡化算法直方图均衡化是一种常用的图像增强方法，通过对图像的像素强度进行转换，使得像素的直方图分布更均匀。
该算法可以扩展图像的动态范围，增强图像的对比度。
优点：1. 简单易实现：直方图均衡化算法的原理简单，易于实现。
2. 高效性：直方图均衡化可以快速地对图像进行处理，适用于实时应用。
3. 对细节增强效果好：直方图均衡化算法能够增强图像的对比度，使得图像细节更加清晰。
缺点：1. 无法保持局部对比度：直方图均衡化算法是全局算法，无法保持图像的局部对比度。
2. 易产生过增强现象：在某些情况下，直方图均衡化算法容易使得图像的背景过亮或过暗。
3. 非线性处理：直方图均衡化是一种非线性处理方法，可能对图像的灰度分布造成较大的变化。
适用场景：1. 增强图像对比度：直方图均衡化算法可以有效增强图像的对比度，使得图像更加清晰。
2. 实时图像处理：由于直方图均衡化算法的高效性，适用于实时图像处理应用。
3. 对细节要求不高的图像：直方图均衡化算法具有一定的局限性，适用于对细节要求不高的图像。
二、拉普拉斯金字塔增强算法拉普拉斯金字塔增强算法是一种基于金字塔理论的图像增强方法。
该算法通过构建图像的拉普拉斯金字塔，对不同层次的图像进行增强处理，最后再重建原始图像。
优点：1. 保留了图像的细节：拉普拉斯金字塔增强算法通过在不同层次上增强图像，可以有效地保留图像的细节。
2. 自适应性：该算法可以根据不同图像的特点自适应地进行增强处理。
3. 对边缘提取效果好：拉普拉斯金字塔增强算法对于边缘的提取有良好的效果。
缺点：1. 计算复杂度高：拉普拉斯金字塔增强算法需要构建金字塔结构，并进行多次图像卷积操作，计算复杂度较高。
图像处理中的图像增强方法对比与分析
图像处理中的图像增强方法对比与分析导语：在图像处理领域中，图像增强是一个重要的技术，用于改善图像的质量和清晰度。
随着计算机视觉和机器学习的发展，各种图像增强方法被提出和应用于不同领域，如医学影像、卫星图像等。
本文将对几种常见的图像增强方法进行对比与分析，包括直方图均衡化、灰度拉伸、滤波和深度学习。
一、直方图均衡化直方图均衡化是一种通过调整图像的像素灰度分布来增强图像对比度和亮度的方法。
该方法基于直方图的统计特性，可以将原始图像的像素值重新映射到更广泛的范围内，以获得更丰富的灰度级。
直方图均衡化对均匀分布和低对比度的图像效果较好，但对于具有极大动态范围和特定区域灰度差异的图像效果可能不理想。
并且，它也容易产生过度增强的效果，导致图像细节丢失。
二、灰度拉伸灰度拉伸是一种通过重新分配图像的像素灰度级以增加图像对比度的方法。
它基于简单的线性变换，将图像的最低灰度级映射到最小灰度值，将最高灰度级映射到最大灰度值，而中间的灰度级按比例进行映射。
灰度拉伸适用于具有低对比度的图像，可以有效增强图像的细节和边缘。
然而，灰度拉伸方法需要手动选择合适的灰度级范围，并且无法处理非线性关系和部分区域的对比度差异。
三、滤波滤波是一种基于图像频谱的增强方法，通过去除图像中的噪声和模糊以提高图像质量。
滤波方法包括低通滤波和高通滤波。
低通滤波可以平滑图像并去除高频噪声，常用的滤波器包括均值滤波和高斯滤波。
高通滤波可以增强图像的边缘和细节，常用的滤波器包括拉普拉斯滤波和Sobel滤波器。
滤波方法可以较好地增强图像的细节和对比度，但也可能导致图像的细节损失和边缘模糊。
四、深度学习深度学习是一种基于人工神经网络的图像增强方法，它通过训练模型学习图像的特征和映射关系，以生成更高质量的图像。
深度学习方法可以根据不同任务和需求进行适应性调整和优化，具有较强的非线性建模和适应能力。
随着深度学习算法的不断发展和硬件计算能力的提升，该方法在图像增强方面取得了许多重要的突破。
结合直方图均衡和模糊集理论的红外图像增强
4.2基于深度学习的图像增强方法
基于深度学习的图像增强方法是将深度学习模型应用于图像增强中。其主要步骤包括：
（1）准备数据集：利用现有的图像数据库准备训练和测试数据集；
（2）设计模型：根据图像增强需求和数据特点，确定合适的深度学习模型，并设计对应的网络结构和参数；
（3）训练模型：利用训练数据集对模型进行训练，并通过误差反向传播算法不断调整模型参数，直到模型学习到准确的特征表达方式；
3.模糊集理论在红外图像增强中的应用
介绍模糊集理论的基本概念和原理，分析其在红外图像增强中的应用，阐述模糊集理论改善图像质量的原理和方法，探讨模糊集理论对于增强结果的影响。
4.结合直方图均衡和模糊集理论的红外图像增强算法
结合直方图均衡和模糊集理论的算法，提出一种红外图像增强方法，详细描述算法的步骤和参数设置，探究不同参数对于增强效果的影响，通过实际图像应用验证算法的有效性和优越性。
小波变换的过程可以用以下公式表示：
$$Biblioteka W(a,b) = \frac{1}{\sqrt{a}}\int_{-\infty}^{\infty}f(t)\psi^* \left(\frac{t-b}{a}\right) dt
$$
其中，$a$是尺度参数，$b$是平移参数，$f(t)$表示原始图像，$\psi(t)$表示小波基函数，实部与虚部分别为$\operatorname{Re}(\psi)$和$\operatorname{Im}(\psi)$。小波基函数具有平坦的频率响应特性，对于突变的信号可以提供较为稳定的分解。
图像增强方法
图像增强方法图像增强是数字图像处理领域中的重要技术之一，它能够改善图像的质量、增强图像的细节、减少图像的噪声等，使得图像更加清晰、真实。
在实际应用中，图像增强方法被广泛应用于医学影像、卫星图像、安防监控等领域。
本文将介绍几种常见的图像增强方法，包括直方图均衡化、滤波增强、小波变换等。
直方图均衡化是一种常见的图像增强方法，它通过重新分配图像像素的灰度级来增强图像的对比度。
具体而言，直方图均衡化通过对图像的灰度直方图进行变换，使得图像的灰度分布更加均匀，从而增强图像的细节和对比度。
直方图均衡化适用于灰度图像，对彩色图像可以分别对各个通道进行均衡化处理。
滤波增强是另一种常见的图像增强方法，它通过滤波器对图像进行滤波操作，以增强图像的某些特征。
例如，平滑滤波可以减少图像的噪声，锐化滤波可以增强图像的边缘和细节。
在实际应用中，滤波增强方法可以根据图像的特点选择合适的滤波器和参数，以达到最佳的增强效果。
小波变换是一种基于频域分析的图像增强方法，它能够将图像分解成不同尺度和方向的小波系数，从而实现对图像的多尺度分析和增强。
小波变换可以提取图像的纹理特征、边缘信息等，对于一些细节丰富的图像具有较好的增强效果。
此外，小波变换还可以应用于图像的去噪、压缩等方面，具有较广泛的应用前景。
除了上述介绍的几种方法外，图像增强领域还涌现出许多新的方法和技术，如深度学习增强、局部对比度增强、多尺度变换等。
这些方法在不同的应用场景下具有各自的优势和局限性，需要根据具体问题选择合适的增强方法进行应用。
总的来说，图像增强是数字图像处理领域中的重要技术，它能够改善图像的质量、增强图像的细节、减少图像的噪声等，对于提升图像的视觉效果和信息表达能力具有重要意义。
随着科技的不断发展，图像增强方法也在不断创新和完善，相信在未来会有更多更好的图像增强方法应用到实际生产和生活中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于直方图均衡化图像增强算法分析目录1. 前言 (1)2. 理论分析 (2)2.1 直方图修正技术的基础 (2)2.2 直方图的均衡化 (3)2.3 直方图均衡化的算法步骤 (4)3. 仿真实验与结果 (5)4. 结论 (9)参考文献 (9)1. 前言在实际应用中，无论采用何种输入装置采集的图像，由于光照、噪声等原因，图像的质量往往不能令人满意。
例如，检测对象物的边缘过于模糊；在比较满意的一幅图像上发现多了一些不知来源的黑点或白点；图像的失真、变形等等。
所以图像往往需要采取一些手段进行改善以求达到较好的效果。
图像增强技术正是在此基础上提出的。
图像增强是图像分析与处理的一个重要的预处理过程，其主要有两个目的：一是运用一系列技术手段改善图像的视觉效果,提高图像的清晰度；二是将图像转化成一种更适合于人或计算机进行分析处理的形式。
即改善图像质量是图像增强的根本目的。
图像增强的意义一般可以理解为：按需要进行适当的变换，对图像的某些特征，如边缘、轮廓、对比度进行强调或锐化，突出某些有用的信息，去除或消弱无用的信息以便于显示、观察或进一步分析和处理。
图像增强技术是一类基本的图像处理技术，是指有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征，其目的是使处理后的图像更适合于人的视觉特性或机器的识别系统，包括图像的轮廓线或者纹理加强、图像去噪、对比度增强等。
因此图像增强处理是图像分析和图像理解的前提和基础。
在图像的获取过程中，特别是对于多媒体监控系统采集的图像，由于监控场景光线照射复杂、拍摄背景也比较复杂等环境因素的影响。
加之摄像设备、传感器等因素引入的噪声，使监控图像在一定程度上存在对比度差、灰度分布范围窄、图像分辨率下降。
因此，为得到一幅清晰的图像必须进行增强处理。
传统的图像增强算法通常是基于整幅图像的统计量，这样在计算整幅图像的变换时，图像中的低频信息、高频信息以及含有的噪声，同时进行了变换，因而在增强图像的同时增强了噪声，导致信息熵下降，给监控图像的分析和后期处理带来了困难。
针对此问题，提出一种新算法。
图像增强处理方法根据图像增强处理所在的空间不同，可分为基于空间域的增强方法和基于频率域的增强方法两类。
空间域处理方法是在图像像素组成的二维空间里直接对每一个像素的灰度值进行处理，它可以是一幅图像内像素点之间的运算处理，也可以是数幅图像间的相应像素点之间的运算处理。
频率域处理方法是在图形的变换域对图像进行间接处理。
其特点是先将图像进行变换，在空间域对图像作傅里叶变换得到它的频谱按照某种变化模型（如傅里叶变换）变换到频率域，完成图像由空间域变换到频率域，然后在频率域内对图像进行低通或高通频率域滤波处理。
处理完之后，再将其反变换到空间域。
直方图均衡化算法是图像增强空域法中的最常用、最重要的算法之一。
它以概率理论作基础，运用灰度点运算来实现直方图的变换，从而达到图像增强的目的。
本文介绍一种基于累积分布函数变换法为基础的直方图修正法。
它可以通过对直方图进行均匀化修正，可使图像的灰度间距增大或灰度均匀分布、增大反差，是图像的细节变得清晰。
2. 理论分析2.1 直方图修正技术的基础一幅给定图像的灰度级经归一化处理后，分布在01r ≤≤范围内。
这时可以对[0,1]区间内的任一个r 值进行如下变换：()s T r = （1）也就是说，通过上述变换，每个原始图像的像素值r 都对应产生一个s 值。
变换函数()T r 应该满足下列条件：① 在01r ≤≤区间内，()T r 是单值单调增加； ② 对于01r ≤≤，有0()1T r ≤≤这里第一个条件保证了图像的灰度级西欧哪个白到黑的次序不变和反变换函数1()T s -的存在。
第二个条件则保证了映射变化后的像素灰度值在允许的范围内。
从s 到r 的反变换可用式（2）表示，同样也满足上述两个条件1()r T s -= （2）由概率论理论可知，若已知随机变量ξ的概率密度为()r P r ，而随机变量η是ξ的函数，即'()T ηξ=，η的概率密度为()s P s ，所以可以由()r P r 求出()s P s 。
因为()s T r =是单调增加的，由数学分析可知，它的反函数1()r T s -=也是单调函数。
在这种情况下，当s η<，且仅当r ξ<时发生，所以可以求得随即变量η的分布函数为：()()[]()rrF s P s p r p x dx ηηξ-∞=<=<=⎰ （3）对式（3）两边求导，即可得到随即变量η的分布密度函数()s P s 为：111()()()()[()][()]()s r r r r T s dr d drP s P r p r T s p r T s ds ds ds---==⋅=⋅=⋅= （4）由式（4）可知，对于连续情况，设()r P r 和()s P s 分别表示原图像和变换后图像的灰度级概率密度函数。
根据概率论的知识，在已知()r P r 和变换函数()sT r =时，反变换函数1()r T s -=也是单调增长，则()s P s 可由式（4）求出。
2.2 直方图的均衡化对于连续图像，设r 和s 分别表示被增强图像和变换后图像的灰度。
为了简单，在下面的讨论中，假定所有像素的灰度已被归一化了，就是说，当0r s ==时，表示黑色；当1r s ==时，表示白色；变换函数()T r 与原图像概率密度函数()r P r 之间的关系为：()()()rr s T r p r d r ==⎰ 01r ≤≤ （5）式中：r 为积分变量。
式（5）的右边可以看作是r 的累积分布函数（CDF ），因为CDF 是r 的函数，并单调地从0增加到1，所以这一变换函数满足了前面所述的关于()T r 在01r ≤≤内单值单调增加，对于01r ≤≤，有0()1T r ≤≤的两个条件。
由于累积分布函数是r 的函数，并且单调的从0增加到1，所以这个变换函数满足对式（5）中的r 求导，则：()r dsP r dr= （6） 再把结果带入式（4），则11()()11()[()]()[][()]1/()s r r r r T s r T s r dr d p s p r p r p r ds ds ds dr p r --====== （7） 由以上推到可见，变换后的变量s 的定义域内的概率密度是均匀分布的。
由此可见，用r 累积分布函数作为变换函数可产生一幅灰度级分布具有均匀概率密度的图像。
其结果扩展了像素取值的动态范围。
上面的修正方法是以连续随机变量为基础进行讨论的。
为了对图像进行数字处理，必须引入离散形式的公式。
当灰度级是离散值的时候，可用频数近似代替概率值，即：()kr k n p r N=(01k r ≤≤ 0,1,2,k =…,L-1) （8） 式中，L 是灰度级数；()r k p r 是取第k 级灰度值的概率；k n 是在图像中出现第k 级灰度的次数；N 是图像中像素数。
通常把为得到均匀直方图的图像增强技术叫做直方图均衡化处理或直方图线性化处理。
式（5）的直方图均衡化累积分布函数的离散形式可由式（9）表示：()()kkj k k r j i i n s T r p r N=====∑∑ (01j r ≤≤ 0,1,2,k =…,L-1) （9）其反变换为 1()kk r T s -= （10）2.3 直方图均衡化的算法步骤直方图均衡化的算法步骤如下：● 列出原始图像和变换后图像的灰度级:I,j=0,1,,L-1,其中L 是灰度级的个数； ● 统计原图像各灰度级的像素个数i n ； ● 计算原始图像直方图：()in p i N=，N 为原始图像像素总个数； ● 计算累积直方图：0()jj k p p k ==∑；● 利用灰度变换函数计算变换后的灰度值，并四舍五入：[(1)0.5]j j INT L p =-+； ● 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 =； ● 统计变换后各灰度级的像素个数j n ； ● 计算变换后图像的直方图：()j n p j N=3. 仿真实验与结果Matlab 程序clear all;close all;clc;I1=imread('lena.jpg');figure(1);imshow(I1);I2=rgb2gray(I1);figure(2); %原始图像的灰度图像imshow(I2);D=double(I2);imsize=size(D);nbrTot=imsize(1)*imsize(2);nbrEach=zeros(1,256);for K1=1:imsize(1)for K2=1:imsize(2)nbrEach(D(K1,K2)+1)=nbrEach(D(K1,K2)+1)+1; %统计各灰度级像素个数endendY1=nbrEach/nbrTot;S1=zeros(1,256);for i=1:256for k=1:iS1(i)=S1(i)+Y1(k); %均衡后第K级灰度级（包括K）之前各级像素点所占的比率之和endendS2=round(S1*255);for i=1:256if S2(i)>255S2(i)=255;endendD2=zeros(size(D));for K1=1:imsize(1)for K2=1:imsize(2)D2(K1,K2)=S2(D(K1,K2)+1); %均衡后个像素的灰度值endendY3=uint8(D2);Y2=S2;S3=zeros(1,256);for j=1:256S3(S2(j)+1)=S3(S2(j)+1)+Y1(j); %均衡后各灰度级的像素点数endfor i=1:32for j=1:7S3(8*i)=S3(8*(i-1)+j)+S3(8*i); %对均衡后的像素点进行区间统计endS3(8*i)=S3(8*i)/8for j=1:7S3(8*(i-1)+j)=0;endendY2=S3;figure(3);plot(0:255,Y1); %自编函数均衡化前归一化的直方图figure(4) %自编函数均衡化后归一化的直方图plot(0:255,Y2);figure(5); %自编函数所得的直方图均衡化后的图像imshow(Y3);figure(6); %系统函数均衡化前的直方图imhist(I2);J=histeq(I2);figure(7); %系统函数均衡化后的直方图imhist(J);figure(8); %系统函数所得直方图均衡化后的图像imshow(J);仿真结果：自编函数均衡化前归一化的直方图系统函数均衡化前的直方图自编函数所得的直方图均衡化后的图像系统函数所得直方图均衡化后的图像自编函数均衡化后归一化的直方图%系统函数均衡化后的直方图自编函数均衡化前归一化的直方图系统函数均衡化前的直方图自编函数所得的直方图均衡化后的图像系统函数所得直方图均衡化后的图像自编函数均衡化后归一化的直方图%系统函数均衡化后的直方图4. 结论算法应用举例及误差分析说明，本文提出的直方图均衡化算法是可行的，结果证明该算法可改善直方图均衡化的精度。