神经网络或机器人如何“看到”？他们如何处理视觉信息？机器视觉是一个复杂的领域，但重要的概念之一是图像处理。

   术语“图像处理”包含多种形式的图像分析，包括边缘检测、形状识别、光学字符识别和颜色分析。在图像处理的保护伞下还有阈值处理和图像增强，我将在本文中进一步扩展这些应用程序。

   图像处理是如何工作的？让我们从基础开始。这个难题的一个重要部分是像素的概念以及神经网络或算法如何将其解释为视觉信息。在本文中，我们的目标是基本了解直方图是什么、它们是如何针对各种图像类型形成的，以及它们代表什么信息。

   直方图背景信息

    数字图像由二维整数数组组成，这些数组表示图像的各个组成部分，称为图片元素或像素。用于表示这些像素的位数决定了用于描述每个像素的灰度级数。

黑白图像中的像素值可以是 0（黑色）或 1（白色），分别代表图像的较暗和较亮区域，如图 1(a) 所示。

图 1.  1 位、2 位、3 位和 4 位图像数据的可用像素强度

   如果用n位来表示一个像素，那么就会有2 n 个像素值，范围从0到(2 n -1)。这里 0 和 (2 n - 1) 分别对应黑色和白色，所有其他中间值代表灰色阴影。此类图像被称为单色图像（图 1(b) 至 1(d)）。

    多个单色图像的组合产生彩色图像。例如，RGB 图像是三个单独的二维像素阵列的组合集，这些像素阵列被解释为红色、绿色和蓝色分量。1个

   直方图

   图像直方图是像素强度（在x轴上）与像素数量（在y轴上）的关系图。x轴包含所有可用的灰度级，y轴表示具有特定灰度级值的像素数。2 可以将多个灰度级组合成组，以减少x轴上单个值的数量。

   单色图像的直方图

    图 2(a) 显示了一个简单的 4 × 4 黑白图像，其直方图如图 2(b) 所示。这里直方图的条垂直线（灰度级 0）表示图像中有 4 个黑色像素。第二行表示图像中有 12 个白色像素。

图 2. 黑白图像及其直方图。图片由 Sneha HL 创建

图 3(a) 是灰度图像。该图像的四个像素强度（包括黑色和白色）由相关直方图的四个垂直线表示（图 3(b)）。这里x轴值的范围从 0 到 255，这意味着有 256 (=2 8 ) 个可能的像素强度。

图 3. 8 位灰度图像及其直方图。图片由 Sneha HL 创建

   彩色 (RGB) 图像的直方图

    RGB 图像的直方图可以用三个独立的直方图来显示——每个直方图对应图像的每个颜色分量（R、G 和 B）。图 4 中显示了一个示例。同样的信息也可以使用 3-D 直方图表示，其轴对应于红色、绿色和蓝色强度。3个

图 4.彩色图像及其红、绿、蓝单色通道对应的直方图。图片由 Sneha HL 组装

    分析单色图像的直方图

   仅仅看一下直方图就可以揭示有关其图像的重要事实。                                                                                                                                 

    1.像素总数

   将每个灰度级对应的像素个数相加，即可得到构成图像的像素总数。

   2.图像亮度

  通过查看直方图并观察值的空间分布，您可以大致了解图像的亮度。如果直方图值集中在左侧，则图像较暗（图 5）。如果它们集中在右侧，则图像会更亮（图 6）。

图 5.深色图像的直方图。图片由 Sneha HL 提供

图 6.明亮图像的直方图。图片由 Sneha HL 提供

  3.图像对比

   像素计数均匀覆盖广泛灰度级别的直方图表明图像具有良好的对比度（图 7）。限制在较小范围内的像素数表示对比度较低（图 8）。

图 7.高对比度图像的直方图。图片由 Sneha HL 提供

图 8.低对比度图像的直方图。图片由 Sneha HL 提供

   4.饱和效应

  在可能的像素值处具有突出尖峰的直方图（图 9）表明图像的像素强度已经饱和，这可能是因为图像处理例程未能将像素值保持在其原始范围内。

图 9.饱和图像的直方图。图片由 Sneha HL 提供

    我们需要记住的一个限制是直方图不提供有关图像像素值空间分布的信息。因此，我们可以拥有共享相同直方图的多个不同图像（图 10），并且我们无法从其直方图重建图像。4个

图 10.具有相同直方图的不同图像。图片由 Sneha HL 提供

   直方图的应用

  1.阈值

  通过选择一个阈值并将所有高于阈值的值转换为强度，将所有低于阈值的值转换为强度，可以将灰度图像转换为黑白图像。直方图是识别适当阈值的便捷方式。

  在图 11 中，像素值集中在两组中，阈值将是这两组中间的值。在图 12 中，直方图更连续的性质表明该图像不是阈值处理的良好候选对象，并且很难找到理想的阈值。

图 11.原始图像的直方图和阈值处理结果。图片由 Sneha HL 提供

图 12.原始图像的直方图和两次阈值尝试。图片由 Sneha HL 提供

    2.图像增强

   图像增强是指转换图像以使其更具视觉吸引力或便于进一步分析的过程。5它可能涉及简单的运算（加法、乘法、对数等）6 或技术，例如对比度拉伸和直方图均衡化。7

   图像直方图可以帮助我们快速识别适合特定图像的处理操作。例如，如果像素值集中在直方图的左侧部分（这对应于非常暗的图像），我们可以通过将值移向可用强度范围的中心来改善图像，或者通过扩展像素值，使它们更充分地覆盖可用范围。