1.
T´ecnicas de Equaliza¸c˜ao Global e Local de Histogramas.
Michel A. dos Santos ∗
Setembro de 2010
∗Bacharelando em Ciˆencia da Computa¸c˜ao, Universidade Federal do Estado de Alagoas(UFAL), Bolsista do
Laborat´orio de Modelagem Geom´etrica e Vis˜ao Computacional do Centro de Pesquisa em Matem´atica Computacio-
nal(CPMAT), Brasil - Macei´o/AL, Tel: 8805-0582 E-mail: michel.mas@gmail.com, michelalvessantos@hotmail.com
1

2.
Sum´ario
Lista de Figuras 2
1 Introdu¸c˜ao 2
2 Histograma de Uma Imagem 3
3 Processamento Baseado em Histograma: Equaliza¸c˜ao 4
4 A Equaliza¸c˜ao em Si 4
4.1 Realce Global ou Equaliza¸c˜ao Global . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.2 Realce Local ou Equaliza¸c˜ao Local . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.3 Equaliza¸c˜ao Regional com Janelas de Larguras Diferentes . . . . . . . . . . . . . . 5
4.4 Tratamento das Bordas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4.5 Equaliza¸c˜ao RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
5 Resultados 6
Referˆencias Bibliogr´aficas 12
Lista de Figuras
1 Histograma de uma imagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Imagens com histogramas equivalentes. . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Imagem Original . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4 Imagem Equalizada - Realce Global. . . . . . . . . . . . . . . . . . . . . . . . . . . 7
5 Imagem Equalizada - Realce Local - Janela de 50x50. . . . . . . . . . . . . . . . . 8
6 Compara¸c˜ao de Histogramas - Imagem Original vs. Realce GLocal. . . . . . . . . . 9
7 Imagem Equalizada - Imagem Original vs. Realce Local. . . . . . . . . . . . . . . . 10
8 Imagem Equalizada - Realce Global vs. Realce Local . . . . . . . . . . . . . . . . . 11
1 Introdu¸c˜ao
Na Estat´ıstica, um histograma ´e uma representa¸c˜ao gr´afica da distribui¸c˜ao de frequˆencias de uma
massa de medi¸c˜oes, normalmente um gr´afico de barras verticais. O histograma ´e um gr´afico com-
posto por retˆangulos justapostos em que a base de cada um deles corresponde ao intervalo de
classe e a sua altura `a respectiva freq¨uˆencia. Quando o n´umero de dados aumenta indefinidamente
e o intervalo de classe tende a zero, a distribui¸c˜ao de freq¨uˆencia passa para uma distribui¸c˜ao de
densidade de probabilidades. A constru¸c˜ao de histogramas tem car´ater preliminar em qualquer
estudo e ´e um importante indicador da distribui¸c˜ao de dados. Podem indicar se uma distribui-
¸c˜ao aproxima-se de uma fun¸c˜ao normal, como podem indicar mistura de popula¸c˜oes quando se
apresentam bimodais.
Para o processamento digital de imagens, um histograma ´e um diagrama que representa a
frequˆencia de ocorrˆencia dos brilhos de uma imagem. Observando a figura 1, ´e not´orio concluir
que o limite esquerdo do gr´afico corresponda a cor preta e o lado direito a cor branca.
Facilmente conclu´ımos por este histograma, mesmo n˜ao sabendo qual foi o objeto de onde ele
foi retirado, que a imagem possui uma grande concentra¸c˜ao de preto.
Na equaliza¸c˜ao do histograma, pretende-se que o histograma final da imagem seja o mais cons-
tante poss´ıvel, distribuindo concentra¸c˜oes de brilhos. Deve-se notar que a opera¸c˜ao de equaliza¸c˜ao
2

3.
Figura 1: Histograma de uma imagem.
de histograma s´o conduziria a histogramas efetivamente constantes se a gama de brilhos fosse con-
t´ınua e fosse infinito o n´umero de pontos na imagem. No caso das imagens digitais, a discretiza¸c˜ao
do espa¸co e dos brilhos n˜ao permite que esse resultado seja conseguido, como podemos ver pelos
dois histogramas, o inicial e o obtido ap´os uma opera¸c˜ao de equaliza¸c˜ao. Contudo, essa opera¸c˜ao ´e
muito usada com o objetivo de efetuar uma normaliza¸c˜ao da escala de brilhos, obtendo resultados
muito satisfat´orios.
2 Histograma de Uma Imagem
Conforme SILVA (2001), em processamento de imagens, trabalha-se sempre com os tons de cinza
(digital numbers ou DNs) atribu´ıdos aos pixels de uma imagem. O histograma ´e uma das formas
mais comuns de se representar a distribui¸c˜ao dos DNs de uma imagem, e possivelmente a mais ´util
em processamento digital de imagens. Ele fornece a informa¸c˜ao sobre quantos pixels na imagem
possuem cada valor poss´ıvel de DN (que, no caso das imagens de 8 bits, variam de 0 a 255) ou,
de forma equivalente, qual a propor¸c˜ao da imagem que corresponde a cada valor de DN.
Os histogramas s˜ao tamb´em conhecidos como distribui¸c˜ao de intensidades e Fun¸c˜ao de Den-
sidade de Probabilidade (PDF). Esse ´ultimo termo adv´em do fato de que, estatisticamente, o
histograma representa, neste caso, a probabilidade de se achar um DN de um dado valor dentro
de uma imagem.
Outro ponto importante com rela¸c˜ao a histogramas ´e que eles representam dados digitais,
tamb´em chamados de discretos. Assim sendo, a distribui¸c˜ao de intensidades ´e representada por
colunas discretas, que n˜ao podem ser divididas ou ”quebradas”, correspondentes a n´umeros inteiros
(em contraposi¸c˜ao a n´umeros fracion´arios). Esse conceito assume importˆancia ao se tratar de realce
de contraste em imagens.
Ao se observar o histograma de uma imagem, tem-se uma no¸c˜ao instantˆanea sobre as carac-
ter´ısticas da mesma. A forma do histograma fornece informa¸c˜oes de grande importˆancia (como
por exemplo, o caso de imagens de sensoriamento remoto), tais como intensidade m´edia e espa-
lhamento dos valores de DN; este ´ultimo, por sua vez, d´a a medida do contraste de uma imagem:
quanto maior o espalhamento ao longo do eixo dos DNs, maior o contraste da imagem.
O histograma de uma imagem, com n´ıvel de cinza na faixa de [0, L − 1], ´e uma fun¸c˜ao discreta
h(rk) que indica o n´umero de pixels que apresentam um determinado n´ıvel de cinza. Conforme
abaixo:
h(rk) = nk (1)
onde rk ´e o k-´esimo n´ıvel de cinza e nk ´e o n´umero de pixels na imagem com n´ıvel de cinza rk.
O histograma n˜ao preserva a informa¸c˜ao espacial da distribui¸c˜ao dos pixels, pois este cont´em
apenas a quantidade de pixels com um determinado n´ıvel de cinza mas n˜ao a sua posi¸c˜ao na
imagem. A ´area do histograma ´e equivalente a ´area da imagem sendo que imagens distintas podem
3

4.
apresentar histogramas idˆenticos. Os histogramas podem ser utilizados para fins de reconhecimento
Figura 2: Imagens com histogramas equivalentes.
de padr˜oes. Entre as t´ecnicas que fazem uso da manipula¸c˜ao do histograma de uma imagem
podemos citar o Stretch, a Equaliza¸c˜ao e o Matching. Nesse relat´orio iremos abordar apenas duas
t´ecnicas de Equaliza¸c˜ao: a global e a local.
3 Processamento Baseado em Histograma: Equaliza¸c˜ao
Atrav´es da visualiza¸c˜ao do histograma de uma imagem obtemos uma indica¸c˜ao de sua qualidade
quanto ao n´ıvel de contraste e quanto ao seu brilho m´edio (se a imagem ´e predominantemente
clara ou escura).
A equaliza¸c˜ao (ou lineariza¸c˜ao) de histogramas consiste em fazer com que as probabilidades
de ocorrˆencia das intensidades sejam distribu´ıdas de modo uniforme. O objetivo ´e encontrar uma
fun¸c˜ao de transforma¸c˜ao de tons de cinza que aplicada a uma imagem de entrada produza uma
imagem na sa´ıda cujo histograma seja uniforme, melhorando assim o contraste. Se usarmos como
fun¸c˜ao de transforma¸c˜ao o histograma cumulativo, o resultado ser´a uma distribui¸c˜ao mais uniforme
(equalizada).
A equaliza¸c˜ao do histograma re-distribui os n´ıveis de cinza de acordo com a fun¸c˜ao de distri-
bui¸c˜ao acumulada (cdf - cumulative distribution function) da distribui¸c˜ao de probabilidades da
imagem original. Portanto, nesse processo a principal limita¸c˜ao est´a no fato de n˜ao ser poss´ıvel
especificar nenhum parˆametro.
4 A Equaliza¸c˜ao em Si
A Equaliza¸c˜ao tem como objetivo obter a m´axima variˆancia do histograma de uma imagem,
fornecendo assim uma imagem com o melhor contraste, sendo o contraste, uma medida qualitativa
e que est´a relacionada com a distribui¸c˜ao dos tons de cinza em uma imagem. A opera¸c˜ao de
equaliza¸c˜ao aproxima o histograma da imagem original para um histograma uniforme, calculando
o seu histograma acumulado e utilizando este como fun¸c˜ao de intensidade.
A op¸c˜ao de equaliza¸c˜ao parte do princ´ıpio que o contraste de uma imagem seria otimizado se
todos os 256 poss´ıveis n´ıveis de intensidade fossem igualmente utilizados ou, em outras palavras,
todas as barras verticais que comp˜oem o histograma fossem da mesma altura. Obviamente isso
n˜ao ´e poss´ıvel devido `a natureza discreta dos dados digitais de uma imagem. Contudo, uma
aproxima¸c˜ao ´e conseguida ao se espalhar os picos do histograma da imagem, deixando intocadas
as partes mais ”chatas”do mesmo. Esse processo ´e obtido atrav´es de uma fun¸c˜ao de transferˆencia
que tenha uma alta inclina¸c˜ao toda vez que o histograma original apresentar um pico, e uma baixa
inclina¸c˜ao no restante do histograma.(Camara G., 1996)
Para equaliza¸c˜ao do histograma, trabalhamos com trˆes t´ecnicas distintas: equaliza¸c˜ao global,
equaliza¸c˜ao regional por blocos e equaliza¸c˜ao regional pontual. Na equaliza¸c˜ao global o processo ´e
aplicado levando-se em considera¸c˜ao todos os tons de cinza presentes na imagem. Nas equaliza¸c˜oes
regional por blocos e pontual, utiliza-se uma janela de tamanho definido pelo usu´ario para varrer
4

5.
a imagem e, para cada posi¸c˜ao da janela na imagem, analisa-se apenas os tons de cinza dentro
da janela. A diferen¸ca entre as duas t´ecnicas de equaliza¸c˜ao regional ´e que na equalizac˜ao por
blocos, todos os pontos do bloco s˜ao equalizados enquanto que na equaliza¸c˜ao pontual apenas o
ponto central da janela ´e equalizado. Para tal, o deslocamento da janela na equaliza¸c˜ao regional
pontual ´e feito ponto a ponto, ao contr´ario do deslocamento de equaliza¸c˜ao regional por blocos que
´e feito bloco a bloco. Observando os resultados de cada uma das equaliza¸c˜oes utilizadas, notamos
que a t´ecnica de equaliza¸c˜ao global preserva as caracter´ısticas globais da imagem maximizando o
contraste e as t´ecnicas de equaliza¸c˜ao regional distorcem a imagem real¸cando os detalhes que n˜ao
haviam sido percebidos com a utiliza¸c˜ao da equaliza¸c˜ao global.
Na pr´atica, a obten¸c˜ao de um histograma perfeitamente uniforme n˜ao ´e poss´ıvel devido `a
natureza das imagens digitais, cujos pixels podem assumir somente valores discretos. Existem
t´ecnicas para melhorar este problema, mas pode acontecer de ´areas homogˆeneas na imagem original
aparecerem ”pipocadas”, por que tons de cinza iguais s˜ao mapeados para n´ıveis de cinza diferentes.
O processo de equaliza¸c˜ao pode levar a falsos contornos na imagem, pois o n´umero de n´ıveis de
cinza pode ser reduzido. A equaliza¸c˜ao pode ter um efeito de realce not´avel da imagem, mas o
contraste pode ser muito forte e, por isto a equaliza¸c˜ao de histograma deve ser usada com muito
cuidado.
4.1 Realce Global ou Equaliza¸c˜ao Global
Atrav´es dessa t´ecnica, a imagem equalizada apresenta um melhor contraste, isso deve-se `a equali-
za¸c˜ao do histograma que faz com que ocorra um espalhamento do histograma ao longo de toda a
gama de valores (0 a 255), ficando este mais uniforme.
4.2 Realce Local ou Equaliza¸c˜ao Local
Equaliza¸c˜ao ou especifica¸c˜ao de histogramas podem ser aplicadas em pequenas regi˜oes de uma
imagem, centradas em cada pixel, como em um filtro NxN. `As vezes deseja-se real¸car detalhes
em ´areas pequenas da imagem. O n´umero de pixels destas ´areas tem influˆencia desprez´ıvel no
c´alculo da transforma¸c˜ao global. Nestes casos conv´em usar Realce Local, que pode ser descrito da
seguinte forma:
”Define-se uma vizinhan¸ca, cujo centro se move de pixel a pixel na imagem. Para cada
posi¸c˜ao equaliza-se o histograma para aquela vizinhan¸ca e obt´em-se uma fun¸c˜ao de
transforma¸c˜ao. Esta fun¸c˜ao ´e aplicada sobre a intensidade do pixel central. O centro
da vizinhan¸ca move-se para o primeiro pixel adjacente, e o procedimento se repete.”
4.3 Equaliza¸c˜ao Regional com Janelas de Larguras Diferentes
A varia¸c˜ao do tamanho da janela influencia os resultados visuais obtidos no processo de equaliza¸c˜ao
regional pontual. Aumentando o tamanho da janela, o resultado da equaliza¸c˜ao regional pontual
se aproxima do resultado da equaliza¸c˜ao global, enquanto que diminuindo o tamanho da janela,
mais detalhes ser˜ao destacados.
4.4 Tratamento das Bordas
Um problema que ocorre com a equaliza¸c˜ao regional pontual ´e que o ponto da imagem a ser
alterado, que corresponde ao centro da janela definida, depende dos valores dos pontos anteriores
e posteriores a este. Se o ponto central da janela estiver nas extremidades da imagem, dependendo
do tamanho da janela, os pontos anteriores e posteriores podem n˜ao pertencer `a imagem. Isto
faz com que estes pontos centrais da janela sejam desprezados criando-se uma borda na imagem.
Algumas solu¸c˜oes tˆem sido propostas para a resolu¸c˜ao deste problema. Dentre elas destacamos a
utilizac˜ao da equaliza¸c˜ao global nas bordas, a equaliza¸c˜ao das bordas com uma janela de tamanho
m´ınimo (3x3) e a utilizac˜ao de janelas adaptativas (tamanho variado).
5

6.
4.5 Equaliza¸c˜ao RGB
Para efetuar a equaliza¸c˜ao RGB, devemos executar a separa¸c˜ao das componentes vermelho, verde
e azul e consequentemente combin´a-las, ap´os a equaliza¸c˜ao em separado, em um novo objeto do
tipo imagem.
5 Resultados
A seguir ser˜ao apresentados alguns resultados adquiridos atrav´es da plataforma R.
Figura 3: Imagem Original
6

7.
Figura 4: Imagem Equalizada - Realce Global.
7

8.
Figura 5: Imagem Equalizada - Realce Local - Janela de 50x50.
8

9.
Imagem Original Histograma − Imagem Original
x
Frequency
0 20 40 60 80 120
01000025000
Imagem Equalizada Globalmente Histograma − Equalização Global
x
Frequency
0.0 0.2 0.4 0.6 0.8 1.0
0200040006000
Figura 6: Compara¸c˜ao de Histogramas - Imagem Original vs. Realce GLocal.
9

10.
Imagem Original Histograma − Imagem Original
x
Frequency
0 20 40 60 80 120
01000025000
Imagem Equalizada Localmente Histograma − Equalização Local
x
Frequency
0.0 0.2 0.4 0.6 0.8 1.0
0500015000
Figura 7: Imagem Equalizada - Imagem Original vs. Realce Local.
10

11.
Imagem Original Histograma − Imagem Original
x
Frequency
0 20 40 60 80 120
01000025000
Imagem Equalizada Globalmente Imagem Equalizada Localmente
Figura 8: Imagem Equalizada - Realce Global vs. Realce Local
11

12.
Referˆencias
Camara G., Souza R., F. U. G. J. (1996), ‘Spring: Integrating remote sensing and gis by object-
oriented data modelling’, Computers & Graphics 20(3), 395–403.
Gonzalez, R. & Woods, R. (1992), Digital Image Processing, Addison-Wesley Publishing Company.
Jain, A. (1986), Fundamentals of Digital Image Processing, Prentice-Hall.
Marion, A. (1991), An Introduction to Image Processing, Chapman and Hall.
Ogˆe Marques Filho, H. V. N. (1999), Processamento Digital de Imagens, number 85-7452-009-8,
Brasport.
R Development Core Team (2009), R: A Language and Environment for Statistical Computing,
R Foundation for Statistical Computing, Vienna, Austria. URL http://www.R-project.org,
ISBN 3-900051-07-0.
SILVA, A. M. e. (2001), Curso Processamento digital de imagens de sat´elite, Centro de Eventos da
PUCRS - de 07 a 12 de outubro de 2001, Porto Alegre - RS. URL www.cartografia.org.br.
Woods, R. C. G. . R. E. (1992), Digital Image Processing, number 0-201-50803-6, Addison Wesley.
12