Обработка гистограмм – еще один основной тип методов для улучшения контрастности изображений. Такие методы обычно очень быстрые и легки в применении, при этом позволяют добиться хороших результатов. Сравнивая с остальными методами, работающими с гистограммами, самым распространенным является автоматический алгоритм выравнивания гистограмм. Целью этого алгоритма является максимизировать информативность изображения с помощью увеличения диапазона интенсивности более частых пикселей. Существует два типа методов выравнивания гистограмм: глобальный и локальный. Глобальные методы обычно используют сжатие яркости пикселей для получения более единообразных экспозиционных характеристик, используя статистику всего изображения. Эти методы не рассматривают локальную статистику изображения. Методы локального выравнивания гистограмм позволяют получить лучшие результаты, так как обнаруживают больше локальных деталей изображения и дают заметное улучшение. Некоторые методы используют простое локальное выравнивание гистограмм, такое как наложение гистограмм разных участков изображения на выровненные локальные гистограммы; другие используют адаптивное выравнивание гистограмм.
Преобразование гистограмм распределения значений интенсивностей позволяет увеличить контрастность изображения, что хорошо подойдет для статичных погодных условий, таких как туман.
В случае динамических погодных условий в работе [3] предложено использовать гистограммы ориентации дождевых и снежных полос.
Метод основан на классическом вычитании фона. Модель фона служит для детектирования снега и дождя, так как это динамические погодные явления. Количество ошибок детектирования уменьшается с помощью применения правил выбора, основанных на фотометрии и размерах потенциальных дождевых полос. Далее строится так называемая гистограмма ориентации полос с помощью накопления ориентации различных связанных компонент, полученных методом геометрических моментов. Данные гистограммы далее моделируются в Гауссовской смешанной форме с параметрами, полученными оценкой с помощью алгоритма максимизации математического ожидания. Проверка критерия согласия позволяет определить соответствует ли модель гистограмме ориентаций. В случае соответствия, к параметрам Гауссовской смешанной модели применяется временной сглаживающий фильтр. Применение критерия выбора к сглаженной гистограмме позволяет определить наличие или отсутствие дождя. Если дождь детектирован, то дождевые пиксели могут быть точно и легко определены на изображениях, а также можно оценить интенсивность дождя. Есть множество применений такого метода, включая детектирование критических погодных условий для безопасности на дорогах, наблюдение погоды, улучшение надежности систем видеонаблюдения и моделирование дождя. На рисунке 6 представлено описание алгоритма.
Рисунок 6 – Применения метода детектирования дождя: (a) детектирование двигающихся объектов с помощью вычитания фона; (b) выделение возможных пикселей дождя с помощью правил выбора по размеру и фотометрии; (c) вычисление гистограммы ориентации полос с помощью накопления ориентации, полученной методом геометрических моментов разных связанных компонент; принимается решение о наличии дождя, основанное на временной стабильности и формы гистограмм; (d) детектирование пикселей дождя, используя гистограмму.
На рисунке 7 представлены результаты работы алгоритма в разных погодных условиях – града, дождя и снега.
Рисунок 7 – В первом ряду расположены исходные изображения; во втором ряду – фон; в третьем - движущиеся составляющие; в четвертом – гистограммы, соответствующие разным кривым; в пятом – детектированные пиксели дождя (пиксели дождя показаны зеленым цветом, пиксели шума – красным, объекты, отфильтрованные по критерию размера, – синим). (a) из последовательности изображений с градом, (b) с дождем, (c) со снегом.