1

Histogramas de Imágenes en Escala de Grises.

Daniel Ornelas Barboza
ITESI
Ing. Mecatrónica, Visión Computacional
danielornelas483@gmail.com

seguiremos dándole nombre de histogramas a lo que será

Resumen – Se describe como obtener histogramas de
una imagen en escala de grises, nos referimos a
histogramas porque veremos 4 tipos de estos, aunque en
realidad 3 se encuentran en función de un histograma de
frecuencias típico que ya trataremos más adelante. Se
trabajo con imágenes de las que fuera sencillo predecir
como deberían ser más o menos los histogramas de estas y
así poder dar mejores conclusiones de nuestro trabajo.
I. INTRODUCCIÓN
Los histogramas son una de las herramientas estadísticas más
conocidas, de la que muchas veces se acostumbra a dar a
entender que es solo una gráfica de barras, pero en realidad es
más que eso, su objetivo es dar un panorama de como se
distribuye una muestra de datos, por ejemplo, es de nuestro
interés saber cuántos pixeles de una imagen corresponden a
cada intensidad según los bits de profundidad de esta, aunque
nuestro enfoque será solo para imágenes en escala de grises de
8 bits de profundidad con su respectivo rango dinámico de 0 a
255, una imagen puede tener n pixeles con una intensidad k,
también puede haber casos extremos donde allá alguna
intensidad que corresponda a la mayoría de la población de
pixeles. Veremos que de un histograma de frecuencias típico
podemos obtener un histograma normalizado el cual para
nuestro caso nos diría que porcentaje de pixeles corresponden
a cierta intensidad, también veremos histograma acumulado y
el histograma acumulado normalizado.
[1] Una distribución de frecuencias es una herramienta útil
para resumir datos e investigar su distribución; una
herramienta incluso mejor es un histograma, una gráfica más
fácil de interpretar que una tabla de números. Un histograma
es una gráfica que consiste en barras adyacentes de igual
anchura dibujadas (a menos que haya espacios en los datos).
La escala horizontal representa clases de valores cuantitativos,
y la escala vertical representa sus frecuencias. Las alturas de
las barras corresponden a los valores de frecuencia.
tratado.
Uno de los fines para obtener histogramas es la umbralización
y más aplicaciones en Procesamiento Digital de Imágenes y
Visión Computacional, sin embargo, por el momento no
creemos que sea de mucho interés sus aplicaciones, si no
como obtenerlos y cómo se comportan según la imagen.
[2] La manipulación de histogramas es una herramienta
fundamental en el procesamiento de imágenes. Los
histogramas son fáciles de calcular y también son adecuados
para rápidas implementaciones de hardware, haciendo de las
técnicas basadas en histogramas una herramienta popular para
el procesamiento de imágenes en tiempo real. La forma del
histograma está relacionada con la apariencia de la imagen.
Se desarrollaron funciones para cada tipo de histograma en
MATLAB, que nos lo devolvieran al meter como argumento
una imagen en escala de grises de 8 bits de profundidad.
II. DESARROLLO
A. Histograma de frecuencias
Para obtener un histograma de frecuencias de una imagen en
escala de grises de 8 bits de profundidad, se contabilizaron los
pixeles correspondían a cada intensidad del rango dinámico
correspondiente de 0 a 255, es decir, la función desarrollada
tiene que mandarnos datos almacenados en un vector, que
indique cuantos pixeles hay de intensidad 0, cuantos de
intensidad 1 y así sucesivamente hasta llegar a 255. La Figura.
1 muestra el histograma de frecuencias de una imagen de
pocos pixeles (Figura. 2). La función creada la llamamos
his2gram, a la cual se le debe ingresar una imagen en escala de
grises para que arroje resultados correctamente.

La anterior cita nos hace entrar en discusión de si en realidad

lo que estamos buscando es una distribución de frecuencias en
lugar de histogramas, esto porque para las aplicaciones de
interés no es realmente necesario siempre mostrar una gráfica,
esto por la cuestión de que es una maquina la que va a realizar
los procesamientos y un histograma seria más una ayuda
visual para nosotros y así poder obtener conclusiones. Aun así,
Figura. 1 Histograma de una imagen en escala de grises de
8x8 pixeles.

Figura. 2 Imagen de 8x8 pixeles
B. Histograma acumulado
Para obtener un histograma acumulado de una imagen
tomamos como punto de partida el histograma de
frecuencias de esta, entonces, se debe hacer la suma de las
frecuencias obtenidas del primer histograma de forma
ascendente, también el ultimo valor debe corresponder al
número de pixeles total de la imagen.
HA(i ) = HA(i − 1) + H (i ) (1)
HA corresponde a frecuencias del histograma acumulado,
H a frecuencias del histograma convencional e i
corresponde a la intensidad.
La Figura. 3 muestra el histograma acumulado de la imagen
Figura. 2.
Figura. 3 Histograma acumulado de una imagen.
La función creada para obtener el histograma la llamamos
histacum, en esta mandamos llamar la función his2gram para
así facilitar su implementación.
C. Histograma normalizado
Obtener un histograma normalizado es muy sencillo, si se
hace a partir del histograma de frecuencias, simplemente se
divide la frecuencia entre el número total de datos o pixeles,
en nuestro caso el tamaño de la imagen o número de pixeles
r * c , esto nos mostrara en lugar de la frecuencia el
porcentaje de pixeles que tiene cada intensidad.
H (i)
HN (i ) = (2)
r *c
HN corresponde a frecuencias del histograma acumulado,
H a frecuencias del primer histograma e i corresponde a la
intensidad. La función fue llamada histnom y de igual
manera mandamos llamar la función his2gram para facilitar
2
la programación. La Figura. 4 muestra el histograma
normalizado de la imagen de la Figura. 2, por ejemplo, un
0.06 corresponde a un 6%.
Figura. 4 Histograma normalizado de una imagen.
D. Histograma acumulado normalizado
Se usa el mismo proceso de un histograma normalizado,
pero usando el histograma acumulado de la imagen, por esta
razón mandamos llamar la función histacum para así facilitar
la codificación, igualmente nos indicara los porcentajes,
además el ultimo valor debe corresponder al número 1 ósea
el 100% de pixeles de la imagen, la función fue llamada
hisan. La Figura. 5 muestra como se ve un histograma
acumulado normalizado.
Figura. 5 Histograma acumulado normalizadas.
Las funciones se desarrollaron considerando que las
posiciones de arreglos en Matlab comienzan a leerse a partir
de 1 y no de 0 como en otros lenguajes.
III. PRUEBAS Y RESULTADOS
Probamos las funciones con 2 imágenes, una clara y una más
oscura para tener presente más fácilmente como deben
comportarse los histogramas, usaremos las siguientes
abreviaturas para referirnos al tipo de histograma, H =
histograma de frecuencias, HA = histograma acumulado, HN
= histograma normalizado, HAN = histograma acumulado
normalizado, las imágenes escogidas son las de la Figura. 6 y
de la Figura. 7 mientras que la Figura. 8 y Figura. 9 son los
histogramas de cada una en forma respectiva.
Figura. 6 Imagen elegida como clara.

Figura. 7 Imagen elegida como oscura.
Figura. 8 Histogramas de la imagen clara, a) H, b) HN,
c) HA, d) HAN.
De la Figura. 8 hacemos el análisis sabiendo que las
intensidades claras tienden hacia el 255(blanco), para
imágenes en escala de grises con 8 bits de profundidad, por
esto vemos que los histogramas no tienen incluso valores con
intensidades de 0 a 100, y que la intensidad con mayor numero
de pixeles es una cercana a 255, por ello se escogió esa
imagen, porque ya se sabia hacia donde se iban a distribuir el
mayor número de datos.
Figura. 9 Histogramas de la imagen clara, a) H, b) HN,
3
c) HA, d) HAN.
De los histogramas de la Figura. 9 al ser de una imagen muy
oscura, vemos que efectivamente los valores tienden hacia el
lado contrario(negro) que, en el caso anterior, también vemos
como en HA y HAN desde una intensidad cercana a 150 ya no
aumentan los valores, ósea que el 100% de los datos se
encuentra mas o menos antes de la intensidad con valor 150.
IV. CONCLUSIÓN
Los histogramas son una muy buena herramienta, ya que estos
nos indican hacia donde se cargan los datos en base a alguna
característica, para nuestro caso intensidades al trabajar con
imágenes, si damos un ejemplo rápido los histogramas de la
imagen oscura nos dicen que podemos ignorar todas las
intensidades mayores a 150 y así acotaríamos el rango
dinámico sobre el cual estamos trabajando, pensando bien
cómo hacerlo y así sacar ventaja de ello, por ejemplo,
umbralizar en base a ello. Nos queda la duda de que manera se
graficarían histogramas de imágenes en un espacio de color,
por ejemplo, en RGB, y si podemos tratar la información que
estos nos brinden bajo el mismo enfoque.
REFERENCIAS
[1] Triola, M. F. (2018). Estadística. En M. F. Triola,
Estadística (pág. 51). Pearson.
[2] Rafael C. Gonzalez, R. E. (2018). Digital Image
Processing. En R. E. Rafael C. Gonzalez, Digital Image
Processing (pág. 133). Pearson.
ANEXOS
A1. Código de la función his2gram.
function [H] = his2gram(I)
%Esta función devuelve el histograma de
frecuencias de una imagen en
%escala de grises con 8 bits de
profundidad.
%*No devuelve una gráfica, si no un
vector de tamaño 256 que contiene los
%datos obtenidos.
%
%Ejemplo:
%
%H=his2gram(I)
%
%donde I es la imagen en escala de
grises.
%Cálculo del tamaño de la imagen.
[r,c] = size(I);
%Creación del vector con valores de 0.
H(256)=0;
%Barrido de la imagen y contabilización
de los pixeles.
for i = 1:r
for j = 1:c
%Si el barrido está en un píxel
con cierto valor, este se
 4

%guardara en la variable b, por %el valor en el histograma

tomar en cuenta la numeración de acumulado es igual a sumar el valor
%las posiciones de vectores en %contabilizado en esa posición
Matlab, supongamos que la intensidad del primer histograma más el valor
%leída es 150 aumentaremos el %anterior en el histograma
contador en la posición 150+1 del acumulado.
%vector. HA(i) = H(i)+ HA(i-1);
B = I(i,j); else
H(B+1)= H(B+1)+1; %Al ser la primera posición el
end valor es el mismo.
end HA(i) = H(i);
end end
end
A2. Código de la función histnom. end

function [HN] = histnom(I) A4. Código de la función hisan.

%Devuelve el Histograma Normalizado de function [HAN] = hisan(I)
una imagen en escala de grises, este %Devuelve el histograma acumulado
%tiene como argumento de entrada la misma normalizado de una imagen en escala de
imagen. %grises de 8 bits de profundidad, es
%Ejemplo: bueno para en que valores se
% %encuentran cierto porcentaje de los
%HN=histnom(I); datos.
% %
%Donde I es la imagen en escala de grises %Ejemplo:
con 8 bits de profundidad. %
%HAN=hisan(I);
%Cálculo de tamaño de la imagen para así %
normalizar. %I es una imagen en escala de grises.
[r,c] = size(I);
%Calculamos el histograma con ayuda de la %Calculamos es tamaño de la imagen para
función his2gram y solo dividimos así poder normalizar
%entre el tamaño de la imagen para [r,c] = size(I);
normalizar. %Calcula el histograma acumulado y se
HN = his2gram(I)/(r*c); normaliza dividiendo sobre el tamaño
End %de la imagen.
HAN = histacum(I)/(r*c);
A3. Código de la función histacum end
function [HA] = histacum(I)
%Devuelve el histograma acumulado, de una
imagen en escala de
%grises con 8 bits de profundidad.
%
%Ejemplo:
%
%HA=histacum(I)
%
%Donde y es la imagen en escala de grises

%Cálculo del histograma.

H = his2gram(I);
%Creación del vector que guardara los
datos inicializados en ceros.
HA(256) = 0 ;
%Ciclo para barrido los vectores de
tamaño 256
for i = 1:256
if i>1
%Si ya estamos posicionados en
la segunda casilla del vector