4. 规定化核心算法

直方图规定化，说白了就是让一张图的灰度分布去模仿另一张图的“长相”。但怎么个模仿法？这里头有两个经典策略——单映射（SML）和组映射（GML）。

我刚开始接触这俩概念时，觉得不就是个映射嘛，能有多大区别？直到有一次做CT骨窗增强，SML出来的图像出现了明显的伪轮廓，换成GML就顺滑多了。嗯，这里头门道不少，咱们今天把它彻底讲透。

4.1 核心问题：离散灰度级的“尴尬”

先想一个问题：连续情况下，我们可以精确地把一个灰度值映射到另一个灰度值。但医学影像通常是8位或12位深度的离散图像，灰度级是有限的（比如256级）。

这就导致一个尴尬的局面——原始图的累积分布函数（CDF）和目标图的CDF，很难做到一一对应。你想想看，原始图有200个灰度级，目标图也有200个，但它们的累积概率值不可能完全重合。

所以，我们需要一种“近似匹配”的策略。这就是SML和GML登场的理由。

4.2 单映射策略（SML）

SML的全称是Single Mapping Law，也叫“最近邻映射”。它的思路非常直接：

1. 计算原始图的累积分布函数 s_k
2. 计算目标图的累积分布函数 v_l
3. 对于原始图的每个灰度级 k，找到目标图中与 s_k 最接近的 v_l
4. 将原始图的灰度级 k 映射到目标图的灰度级 l

用数学公式表达就是：

对于每个原始灰度级 k：
  找到 l，使得 |s_k - v_l| 最小
  映射：k → l

我个人习惯把SML叫做“各找各妈”策略——每个原始灰度级独立地去找自己最像的那个目标灰度级。听起来很合理对吧？

4.3 组映射策略（GML）

GML的全称是Group Mapping Law。它的思路和SML正好反过来：

1. 还是计算原始图和目标图的CDF
2. 但这次是从目标图的角度出发——对于目标图的每个灰度级 l，找到原始图中一组连续的灰度级，使得这组的累积概率最接近 v_l
3. 把这组原始灰度级整体映射到目标灰度级 l

公式表达：

对于每个目标灰度级 l：
  找到一组原始灰度级 [k_start, k_end]，
  使得这组的累积概率与 v_l 的误差最小
  映射：组内所有 k → l

说白了，GML是“组团出道”——把原始图中相邻的几个灰度级打包，一起映射到目标图的同一个灰度级。这样做的好处是：保持了原始图内部的灰度顺序，不会出现“乱序”的情况。

4.4 SML vs GML：正面硬刚

咱们用一张表把这两个策略的差异说清楚：

对比维度	SML（单映射）	GML（组映射）
映射视角	从原始图出发，找最近的目标	从目标图出发，找最匹配的组
灰度顺序保持	可能乱序（多个原始级映射到同一目标级时）	严格保持原始顺序
计算复杂度	O(N)，N为灰度级数	O(N²)，需要遍历查找最优分组
细节保留能力	中等（可能合并灰度级）	较好（分组映射更平滑）
适用场景	实时处理、对速度要求高的场景	高质量增强、医学诊断级影像
伪影风险	较高（可能出现伪轮廓）	较低（灰度过渡自然）

你想想看，SML就像每个学生自己去找座位，可能几个人抢一个座；GML则是老师按身高分组，一组人坐一排。哪个更有序？显然是GML。

4.5 算法流程对比图

下面这张SVG图把两个策略的流程画清楚了，你可以直观看到它们的差异：

4.6 代码实现：SML vs GML

光说不练假把式。下面是我在实际项目中用过的Python实现片段，你可以直接拿去跑：

import numpy as np

def sml_mapping(src_cdf, dst_cdf):
    """
    SML单映射策略
    src_cdf: 原始图累积分布 (256,)
    dst_cdf: 目标图累积分布 (256,)
    返回: 映射表 map_table[src_gray] = dst_gray
    """
    map_table = np.zeros(256, dtype=np.uint8)
    for k in range(256):
        # 找最接近的l
        diff = np.abs(src_cdf[k] - dst_cdf)
        l = np.argmin(diff)
        map_table[k] = l
    return map_table

def gml_mapping(src_cdf, dst_cdf):
    """
    GML组映射策略
    返回: 映射表 map_table[src_gray] = dst_gray
    """
    map_table = np.zeros(256, dtype=np.uint8)
    k_start = 0
    for l in range(256):
        # 找最优分组终点
        best_k = k_start
        min_err = float('inf')
        for k_end in range(k_start, 256):
            # 计算组内累积概率
            group_cdf = src_cdf[k_end] - (src_cdf[k_start-1] if k_start > 0 else 0)
            err = abs(group_cdf - dst_cdf[l])
            if err < min_err:
                min_err = err
                best_k = k_end
            else:
                break  # 误差开始增大，停止搜索
        # 映射组内所有灰度级
        for k in range(k_start, best_k + 1):
            map_table[k] = l
        k_start = best_k + 1
        if k_start >= 256:
            break
    return map_table

4.7 实际效果对比

我拿一张胸部X光片做过对比实验，结果很有意思：

• SML结果：整体对比度提升明显，但肺野区域出现了条带状伪影，灰度过渡不自然
• GML结果：对比度提升幅度略小，但灰度过渡非常平滑，没有伪影
• 诊断价值：放射科医生反馈GML的结果更“舒服”，SML的结果“看着有点怪”

为什么会这样？因为医学影像的灰度变化往往是连续的——比如从软组织到骨骼，灰度是逐渐变化的。SML的“各找各妈”策略破坏了这种连续性，而GML的“组团映射”保留了它。