4. 直方图均衡化原理
直方图均衡化，说白了就是让一张图的灰度分布从「扎堆」变成「铺开」。我刚开始接触图像增强时，总觉得调亮度对比度就够了，直到有一次处理一张雾天拍的监控画面——整张图灰蒙蒙的，直方图全挤在中间一段。试了各种线性拉伸都不理想，最后用均衡化，效果立竿见影。嗯，从那以后我就把这招当成预处理的标准动作了。
4.1 为什么需要均衡化？
先看一个直观问题。一张曝光不足或过度的图像，它的直方图往往集中在某个狭窄区间。比如暗图，像素大多集中在低灰度区；亮图则集中在高灰度区。这种「集中分布」导致图像对比度低，细节看不清。
均衡化的目标很明确：把原始直方图映射成近似均匀分布。让每个灰度级上的像素数量大致相等，这样图像的动态范围就被充分利用了。
核心思想： 用累积分布函数（CDF）作为映射函数，将原始灰度值重新分配，使输出图像的直方图尽可能平坦。
4.2 累积分布函数（CDF）
要理解均衡化，必须先搞懂CDF。直方图是概率密度函数（PDF）的离散近似，而CDF就是PDF的积分。
对于灰度级 rk，其概率密度为：
p(r_k) = n_k / N其中 nk 是灰度级 rk 的像素数，N 是总像素数。
CDF 定义为：
CDF(r_k) = Σ p(r_i) (i = 0 到 k)说白了，CDF 就是「小于等于某个灰度值的像素占比」。它的值从 0 单调递增到 1。
我个人习惯： 在写代码前，先手动算一遍小图像的CDF。比如一张 4×4 的图，灰度范围 0-3，算一遍你就彻底理解映射关系了。纸上得来终觉浅嘛。
4.3 均衡化的数学推导
假设原始灰度 r 在 [0, 1] 区间，其PDF为 p(r)。我们希望找到一个变换 s = T(r)，使得输出灰度 s 的PDF是均匀的。
关键定理来了：变换函数 T(r) 取原始图像的CDF，就能实现均衡化。
推导过程很简单：
s = T(r) = ∫ p(w) dw (从 0 到 r)这个变换的导数 dT/dr = p(r)。根据概率论中变换后的PDF公式：
p_s(s) = p_r(r) · |dr/ds| = p_r(r) · 1/p_r(r) = 1看，输出PDF恒等于1，完美均匀分布。数学上就是这么漂亮。
我曾经踩过的坑： 离散情况下，CDF是阶梯函数，映射后直方图不会完全平坦，只会「近似均匀」。别指望均衡化后直方图变成一条直线，那是不可能的。我刚开始做时总纠结这个，后来才明白——离散化带来的量化误差是固有的。
4.4 全局均衡化算法
实际工程中，我们处理的是离散灰度级（比如0-255）。算法步骤如下：
- 统计直方图： 计算每个灰度级 rk 的像素数 nk。
- 计算PDF： p(rk) = nk / N。
- 计算CDF： cdf(rk) = Σ p(ri)，i=0..k。
- 映射到输出灰度： sk = round( cdf(rk) × (L-1) )，其中 L 是灰度级数（通常256）。
- 替换像素值： 将原图中灰度 rk 的像素替换为 sk。
代码实现非常直接：
def histogram_equalization(img):
# img: 灰度图, 0-255
hist = np.zeros(256, dtype=np.float32)
h, w = img.shape
N = h * w
# 1. 统计直方图
for i in range(h):
for j in range(w):
hist[img[i,j]] += 1
# 2. 计算PDF
pdf = hist / N
# 3. 计算CDF
cdf = np.zeros(256)
cdf[0] = pdf[0]
for k in range(1, 256):
cdf[k] = cdf[k-1] + pdf[k]
# 4. 映射
lut = np.round(cdf * 255).astype(np.uint8)
# 5. 替换
out = lut[img]
return out工程优化： 实际项目中我会用 np.cumsum 一步算CDF，再用 np.interp 做映射，比手写循环快一个数量级。你想想看，处理一张4K图像，循环256次和循环几百万次，差别太大了。
4.5 算法效果与局限
| 特性 | 说明 |
|---|---|
| 对比度增强 | 显著拉伸图像动态范围，细节更清晰 |
| 自动化 | 无需人工参数，完全由数据驱动 |
| 可逆性 | 映射是单调的，理论上可逆（但量化会损失信息） |
| 噪声放大 | 均匀区域中的噪声会被放大，出现「颗粒感」 |
| 过度增强 | 某些图像会出现不自然的「块状」或「伪影」 |
避坑指南： 我曾经在医学X光片上用全局均衡化，结果骨骼边缘出现了明显的伪影。后来才意识到——医学图像往往有很长的平坦背景区域，均衡化会把背景噪声放大到肉眼可见。这种情况下，自适应均衡化（AHE）或限制对比度自适应直方图均衡化（CLAHE）才是正解。后面章节会详细讲。
4.6 知识结构图
下面这张图梳理了本章的核心逻辑链：
4.7 小结
直方图均衡化是图像增强的基石。它的数学基础是CDF变换，算法简单高效，效果立竿见影。但记住——它不是万能的。遇到噪声多、背景平坦的图像时，要谨慎使用。