图像直方图分析
直方图的原理和应用
直方图的原理和应用1. 直方图的原理直方图是一种可视化数据的统计工具，用于展示数据的频率分布。
它将数据划分为若干个等间距的区间，然后统计每个区间内数据的数量或频率，最终以柱状图的形式显示出来。
直方图的原理主要包括以下几个步骤：1.1 数据的分组首先，需要将数据进行分组。
将数据划分为若干个区间，可以根据数据的范围和分布情况选择不同的分组方法，如等宽分组、等频分组等。
1.2 统计每个区间的频数或频率对于每个区间，在数据集中计算落入该区间的数据的频数或频率。
频数指的是落入某个区间的数据的数量，而频率则是频数除以数据总量。
1.3 绘制柱状图将每个区间的频数或频率绘制成柱状图，横轴表示区间，纵轴表示频数或频率。
柱状图的高度表示频数或频率的大小，可以直观地显示数据的分布情况。
2. 直方图的应用2.1 数据分布分析直方图可以帮助我们直观地显示数据的分布情况。
通过观察直方图，我们可以了解数据的中心趋势、峰度、偏态等信息。
例如，对于服从正态分布的数据，直方图呈现出典型的钟形曲线；对于偏态分布的数据，直方图的形状则会有明显的偏斜。
2.2 异常值检测直方图还可以用于检测数据中的异常值。
异常值是指与大多数数据明显不同的数值，它可能是由于测量误差、系统故障或其他原因导致的。
通过观察直方图，我们可以发现与大部分数据分布不一致的区域，从而判断可能存在的异常值。
2.3 数据预处理直方图在数据预处理中也有着广泛的应用。
通过观察直方图，我们可以了解数据的分布情况，选择合适的数据预处理方法。
例如，对于偏态分布的数据，可以采用对数变换或指数变换来消除数据的偏斜。
2.4 特征工程在机器学习中，直方图在特征工程中扮演着重要的角色。
通过观察直方图，我们可以判断特征的分布情况，并进行合理的特征选择和构造。
直方图可以帮助我们找到对目标变量有显著影响的特征，从而提高机器学习模型的性能。
2.5 图像处理直方图在图像处理中也有着广泛的应用。
对于一幅图像，我们可以将其灰度级作为横轴，像素数量或频率作为纵轴，绘制出直方图。
图像的直方图均衡、匹配及图像分割【数字图像处理大作业】
数字图像处理—————————————————————————————Porject3:图像的直方图均衡、匹配及图像分割摘要：本文利用matlab的编程，绘出图像的直方图。
本文用了一般的直方图均衡和自适应的直方图均衡的算法分别对各个直方图进行均衡，得到了不同的效果。
本文讨论了单映射规则和组映射规则的直方图匹配技术。
本文采用了一般的直方图图像分割技术对图像进行分割，同时还讨论了一种基于梯度的直方图阈值图像分割技术。
2012 年4 月12 日星期四项目题目：共10 幅经变亮或者变暗处理的源图像；要求：1.把附件图像的直方图画出；2.把所有图像进行直方图均衡；输出均衡后的图像和源图像进行比对；分析改善内容；3.进一步把图像按照对源图像直方图的观察，各自指定不同源图像的直方图，进行直方图匹配，进行图像增强；4.利用直方图对图像elain和woman 进行分割；技术分析1. 画出附件的直方图，先利用读取图像数据的函数将图像的数据点读取出来，然后再对数据点的值进行排序，然后再统计每个灰度值出现的次数，然后再用这些数据值绘出直方图2. 把所有图像进行直方图均衡；输出均衡后的图像和源图像进行比对；分析改善内容；先说说直方图均衡的原理：从数学上来说图像直方图是图像各灰度值统计特性与图像灰度值的函数，它是对图像中每一灰度值出现频率的统计，从图形上来说，它是一个二维图，横坐标表示图像中各个像素点的灰度级，纵坐标为各个灰度级上图像各个像素点出现的次数或概率。
灰度直方图性质：①表征了图像的一维信息。
只反映图像中像素不同灰度值出现的次数（或频数）而未反映像素所在位置。
②与图像之间的关系是多对一的映射关系。
一幅图像的直方图基本上可描述图像的概貌，如图像的阴暗状况和对比度等特征都可以通过直方图反映出来。
既然一幅图像的概貌可以通过直方图反映出来，反之，可以通过修改直方图的方法来调整图像的灰度分布情况，因为直方图反映的是一个图像的灰度值的概率统计特征，所以，基于直方图的图像增强技术是以概率统计学理论为基础的，直方图反映的是一个图像的灰度值的概率统计特征。
色彩直方图知识点总结
色彩直方图知识点总结一、色彩直方图的定义色彩直方图是对图像中各种颜色的分布情况进行统计的一种图表。
它通常以颜色值为横坐标，以像素数或像素比例为纵坐标，来描述图像中各种颜色的出现频率。
色彩直方图可以用来分析图像中主要的颜色成分、颜色分布情况等信息，对图像的色彩特征进行描述和分析有着重要的作用。
二、色彩直方图的计算方法色彩直方图的计算方法一般分为离散和连续两种。
在离散计算方法中，色彩直方图将颜色空间划分为若干个离散的小区域，然后统计每种颜色在每个小区域中的像素数，得到每种颜色的频率分布。
而在连续计算方法中，色彩直方图通过对颜色空间进行数学建模，利用概率密度函数来描述各种颜色在图像中的分布情况。
不同的计算方法适用于不同的图像处理任务，需要根据具体情况来选择合适的方法进行计算。
三、色彩直方图的应用场景1.图像识别色彩直方图可以用来对图像进行颜色特征提取，从而用于图像识别。
通过对图像中的色彩分布情况进行分析，可以提取出图像的主要颜色成分，从而实现对图像的识别和分类。
2.颜色分割色彩直方图可以用来实现图像中各种颜色的分割和提取。
通过对图像中的色彩直方图进行分析，可以将图像中的不同颜色区域进行分割，从而实现对图像的颜色分割操作。
3.图像压缩色彩直方图可以用来对图像的颜色信息进行压缩，从而减小图像的数据量。
通过对图像中的色彩直方图进行统计和分析，可以对图像的颜色信息进行降维或编码，从而实现对图像的压缩效果。
四、色彩直方图的特点1.色彩直方图是图像色彩信息的统计表示，它可以直观地反映图像中各种颜色的分布情况。
2.色彩直方图对图像的色彩特征进行了抽象和统计，它可以用来对图像进行颜色特征提取和描述。
3.色彩直方图在图像处理、计算机视觉和计算机图形学等领域中有着广泛的应用，它可以用来实现图像识别、颜色分割、图像压缩等操作。
五、结语通过对色彩直方图的基本知识点进行总结，可以看出色彩直方图是图像处理领域中的重要工具，它可以用来对图像的色彩特征进行描述和分析，从而实现对图像的识别、分割和压缩等操作。
灰度直方图
边界阈值选择
轮廓线提供了一个确立图像中简单物体的边界的 有效的方法。使用轮廓线作为边界的技术被称为 阈值化。 假定一幅图背景是深色的，其中有一个浅色的物 体。物体中的浅色像素产生了直方图上的右峰， 而背景中大量的灰度级产生了直方图上的左峰。 物体边界附近具有两个峰值之间灰度级的像素数 目相对较少，从而产生了两峰之间的谷。选择谷 作为灰度阈值将得到合理的边界。
直方图均衡化
直方图均衡化方法的基本思想是，对在图 像中像素个数多的灰度级进行展宽，而对 像素个数少的灰度级进行缩减。从而达到 清晰图像的目的（增强图像的整体对比 度）。 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。
直方图匹配（规定化）
对于两峰之间的最低点的灰度级作为阈值来确定边界是最 适合的。直方图是面积函数的导数。在谷底的附近，直方 图的值相对较小，意味着面积函数随阈值灰度级的变化很 缓慢。如果我们选择谷底处的灰度作为阈值，将可以使其 对物体的边界的影响达到最小。如果我们试图测量物体的 面积，选择谷底处阈值将使测量对于阈值灰度变化的敏感 降低到最小。
直方图均衡化校正不具备交互作用特性， 而直方图规定化校正在运用均衡化原理的 基础上，向人们提供了根据给定直方图作 图像增强的手段。 指定希望处理的图像所具有的直方图形状， 这种用于产生处理后又特殊直方图的图像 方法，叫做直方图匹配或直方图规格化处 理。
特点：
直方图均衡化的优点是能自动的增强整体 图像的对比度，但是它的具体增强效果却 不易控制，处理的结果总是得到全局均衡 化的直方图。 直方图规定化可以有选择的增强某个灰度 值范围内的对比度或使图像灰度值的分布 满足特的事图 像中该灰度级的像素个数。即：横坐标表 示灰度级，纵坐标表示图像中该灰度级出 现的频率（对数字图像即指像素的个数）。
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。
什么是直方图
什么是直方图直方图(Histogram)也叫柱状图，是一种统计报告图，由一系列高度不等的纵向条纹表示数据分布的情况。
假设我们有一堆硬币，如下图所示，我们想知道一共有多少钱。
我们当然可以一枚一枚地数，但这样如果硬币多了可能会搞乱，因此我们需要先把硬币分类，然后分别统计每种硬币的数量。
把统计的结果图示出来，就成了直方图。
下图的横向数轴标示出硬币的面额(Kind of Coins)，纵向标示出硬币的数量(Number of Coins)。
图像的直方图以灰度图为例，假设我们的图中一共只有0,1,2,3,4,5,6,7这8种灰度，0代表黑色，7代表白色，其它数字代表0~7之间不同深浅的灰度。
统计的结果如下，横轴标示灰度级别(0~7)，纵轴标示每种灰度的数量。
Photoshop(PS)中的显示。
直方图统计数据Photoshop CS提供了动态的直方图面板，CS之前的版本要通过图象>直方图来察看。
横轴标示亮度值(0~255)，纵轴标示每种像素的数量。
像素(Pixels) - 图像的大小，图像的像素总数。
[5*3=15]色阶、数量、百分位这三项根据鼠标指针的位置来显示横坐标当前位置的统计数据。
色阶(Level) - 鼠标指针所在位置的亮度值，亮度值范围是0~255。
[181]数量(Count) - 鼠标指针所在位置的像素数量。
[4]百分位(Percentile) - 从最左边到鼠标指针位置的所有像素数量÷图像像素总数。
[(1+2+1+2+3+4)/15 = 13/15 = 0.8667 = 86.67%]当鼠标拖动，选中直方图的一段范围时，色阶、数量、百分位将显示选中范围的统计数据。
下面举个简单的例子来说明平均值、标准偏差、中间值。
例如图像A只有4个像素，亮度分别是200、50、100、200。
平均值(算术平均数,Mean,Average) - 图像的平均亮度值，高于128偏亮，低于128偏暗。
ENVI下的统计分析功能
ENVI下的统计分析功能ENVI是一款功能强大的遥感图像分析软件，具有丰富的统计分析功能，可以帮助用户更好地理解和分析遥感图像数据。
在ENVI中，用户可以使用各种统计工具和算法进行数据处理、分析和可视化，以提取出图像数据中的有用信息和特征。
下面将介绍ENVI中的一些主要统计分析功能及其应用。
1.直方图分析直方图是一种常用的统计分析方法，用于表示图像数据的分布情况。
在ENVI中，用户可以通过直方图分析工具查看、绘制和分析图像数据的直方图，从而了解数据的分布情况和特征。
用户可以选择不同的波段进行直方图分析，比较不同波段之间的差异，并根据直方图分析结果进行后续的数据处理和分析。
2.统计数据分析ENVI提供了丰富的统计数据分析工具，可以对图像数据进行各种统计计算和分析。
用户可以使用这些工具进行均值、方差、相关性等统计计算，了解图像数据之间的关系和特征。
同时，用户还可以进行空间统计分析，如聚类分析、热点检测等，发现数据中的空间模式和趋势。
3.特征提取与分类在ENVI中，用户可以通过特征提取和分类工具对图像数据进行特征提取和分类分析。
用户可以选择不同的特征提取算法，如主成分分析、线性判别分析等，提取出图像数据中的关键特征，用于后续的分类和识别。
同时，用户还可以使用分类工具对提取的特征进行分类分析，识别出图像数据中的不同类别和目标。
4.空间分析ENVI还提供了丰富的空间分析功能，可以对图像数据进行空间统计分析、地理空间分析等。
用户可以进行空间聚类分析、空间关联分析、空间插值等，发现数据中的空间特征和结构。
同时，用户还可以进行地理空间分析，如坐标转换、地图叠加等，将图像数据与地理信息相结合进行综合分析。
5.时间序列分析时间序列分析是一种常用的统计分析方法，用于研究图像数据随时间变化的规律和趋势。
在ENVI中，用户可以通过时间序列分析工具对图像数据进行时间序列分析，了解数据在不同时间点的变化情况。
用户可以通过时间序列分析，揭示数据的季节性变化、趋势性变化等，为后续的数据分析和决策提供依据。
单反相机如何使用直方图进行曝光调整
单反相机如何使用直方图进行曝光调整在摄影领域，曝光是指通过控制相机快门速度、光圈大小和ISO感光度等参数，使得画面中的主体能够得到适当的亮度。
曝光调整的目的是为了保证图像的细节得到充分展示，避免过曝或欠曝的情况发生。
而在单反相机中，直方图是曝光调整的重要工具之一。
本文将介绍单反相机如何使用直方图进行曝光调整。
一、直方图的基本概念直方图是一种以图形方式表示数据分布的工具。
在摄影中，直方图用来表示图像中各个亮度级别的像素数量。
直方图的横轴表示亮度级别，从0到255，纵轴表示该亮度级别下的像素数量。
二、直方图的分析方法1. 判断曝光情况：直方图的形状可以帮助我们判断曝光情况。
当直方图向左偏移时，表示图像过曝，亮部细节丢失；当直方图向右偏移时，表示图像欠曝，暗部细节丢失；当直方图分布均匀时，表示曝光较为均衡。
2. 调整曝光：根据直方图的分布情况，我们可以通过调整相机参数来改变曝光。
如果直方图向左偏移，说明图像过曝，我们可以选择减小光圈大小、降低ISO感光度或增加快门速度来减少曝光量；如果直方图向右偏移，说明图像欠曝，我们可以选择增大光圈大小、提高ISO感光度或减小快门速度来增加曝光量。
三、直方图的具体操作步骤1. 拍摄照片：首先，我们需要使用单反相机拍摄一张照片。
可以选择不同的场景和光线条件来进行拍摄，以便更好地理解直方图的分析和调整方法。
2. 查看直方图：在相机预览界面或后期处理软件中，找到直方图显示的位置。
通过查看直方图，我们可以了解图像的曝光情况。
3. 分析直方图形状：根据直方图的形状来判断曝光情况。
如果直方图向左偏移，说明图像过曝；如果直方图向右偏移，说明图像欠曝；如果直方图分布均匀，说明曝光较为均衡。
4. 调整曝光：根据直方图的分布情况，选择合适的调整方法来改变曝光。
可以通过调整光圈大小、快门速度和ISO感光度等参数来增加或减少曝光量。
5. 重新拍摄照片：根据调整后的参数，重新拍摄照片。
通过查看新的直方图，判断曝光是否得到了合适的调整。
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 12130220162014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。
2、灰度直方图的计算对于彩色图像的R、G、B各彩色分量取反的技术就是图像的反色处理，这在处理二值化图像的连通区域选取的时候非常重要。
如物体连通域用黑色表示，而二值化后的物体连通域图像可那是白色的，而背景是黑色的，这时应手动选取图像的反色处理或有程序根据背景和物体连通域两种颜色的数量所占比例而自动选择是否选择选取图像的反色处理int main(){Mat Image=imread("../cat.png");cvtColor(Image,Image,CV_BGR2GRAY);const int channels[1]={0};const int histSize[1]={256};float hranges[2]={0,255};const float* ranges[1]={hranges};MatND hist;calcHist(&Image,1,channels,Mat(),hist,1,histSize,ranges);return 0;}3、彩色直方图计算int main(){Mat Image=imread("../cat.png");const int channels[3]={0,1,2};const int histSize[3]={256,256,256};float hranges[2]={0,255};const float* ranges[3]={hranges,hranges,hranges};MatND hist;calcHist(&Image,1,channels,Mat(),hist,3,histSize,ranges);return 0;}4、不均匀直方图分别统计0-50，50-80，80-150，150-230，230-255区间的灰度分布：int main(){Mat Image=imread("../cat.png");cvtColor(Image,Image,CV_BGR2GRAY);const int channels[1]={0};int histSize[1]={5};float hranges[6]={0,50,80,150,230,255};const float* ranges[1]={hranges};MatND hist;calcHist(&Image,1,channels,Mat(),hist,1,histSize,ranges,false);return 0;}四、直方图的显示直方图计算得到的实际上是一个多维数组，这并不够直观，我们希望能够像在Excel中把相关数据通过表的形式表示出来。
直方图的特征特性及应用
直方图的特征特性及应用直方图是描述数据分布的一种图形化方法，它可以通过将数据按照一定的间隔划分成一组组的区间，并统计每个区间内的数据个数或频率来展示数据的分布情况。
直方图具有以下几个特征特性：1. 数据分布特征的直观展示：直方图通过柱状图的形式将数据的分布情况直观地展示出来，可以帮助人们在一张图中快速了解数据的分布情况。
直方图的横轴表示数据的取值范围，纵轴表示数据的频数或频率，柱子的高度表示每个区间内的数据个数或频率。
2. 强调数据的分组特征：直方图将数据按照一定的区间进行分组，通过柱状的形式展示每个区间内的数据个数或频率，可以清晰地突出数据的分组特征。
不同大小的柱子之间的高低差异可以反映数据在不同区间之间的分布情况。
3. 判断数据的分布形态：直方图不仅可以展示数据的分布情况，还可以帮助人们判断数据的分布形态。
例如，正态分布的直方图通常呈现钟形曲线的形状，而偏态分布的直方图则表现出明显的倾斜或不对称。
4. 观察数据的峰值和尾部情况：直方图的峰值表示数据的高频区间，峰值越高且较窄，说明数据在该区间内集中分布；而峰值较低且较宽时，说明数据分散在多个区间。
直方图的尾部可以反映数据分布的离散程度，尾部较长说明数据相对集中，尾部较短则表明数据相对离散。
直方图可以应用在多个领域中，以下是几个常见的应用场景：1. 统计学分析：直方图是统计学中常用的数据分布可视化方法，可以用于数据探索、描述和分析。
通过观察直方图，可以了解数据的分布情况，进而进行数据的统计量计算、异常值检测、假设检验等。
2. 数据预处理：直方图可以帮助人们了解原始数据的分布情况，进而选择合适的数据预处理方法。
例如，在进行分类问题时，可以观察直方图来确定是否需要对数据进行归一化或标准化处理。
3. 金融分析：直方图可以帮助金融分析师了解金融市场的波动情况和风险分布情况。
例如，通过绘制股票市场的收益率直方图，可以分析不同收益率区间的频数或频率，进而判断市场的风险分布和波动情况。
- 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)。
数字图像处理实验报告
实验一 图像直方图分析
1 实验目的
本实验通过matlab编程，获取一幅RGB图像的灰度直方图信息，并根据灰
度直方图获得图像中的像素亮度的分布情况。
2 实验设备
1） PC计算机
2） matlab软件
3） 实验所需要的图片
3 实验步骤
（1） 使用imread函数读取一幅RGB图像，并输出显示该图像；
（2） 使用size函数获取该图像的大小，然后分离三个颜色通道；
（3） 分别输出显示R，G，B三个颜色通道的图像；
（4） 分别绘制R，G，B三个颜色通道的灰度直方图。
（5） 根据灰度直方图进行分析，得出结论。
4 matlab程序
I=imread('E:\10.jpg ');
if(size(I,3)~=3)
error('rgbhist:numberOfSamples','Input image must be RGB.')
end
subplot(221),imshow(I);
title('原RGB图像');
S=size(I);
nHist=2^8-1;
subplot(222),imshow(I(:,:,1));
title('R通道上的图像');
subplot(223),imshow(I(:,:,2));
title('G通道上的图像');
subplot(224),imshow(I(:,:,3));
title('B通道上的图像');
figure(2);
subplot(221),imhist(I(:,:,1),nHist);
title('R通道上的灰度直方图');
subplot(222),imhist(I(:,:,2),nHist);
title('G通道上的灰度直方图');
subplot(223),imhist(I(:,:,3),nHist);
title('B通道上的灰度直方图');
5 实验结果与分析
原RGB图像R通道上的图像
G通道上的图像B通道上的图像
01002000100200300R通道上的灰度直方图0100200
0
100
200
300
G通道上的灰度直方图
0100200
0
100
200
300
400
B通道上的灰度直方图
通过观察R、G、B三个颜色通道的灰度直方图可知，原图像的灰度值大部
分集中在中间部分，左右两端存在大量空白，一般在摄影中反差过低的照片将会
导致这种结果。