📚 课程目录第2章直方图均衡化原理

2. 直方图均衡化原理

直方图均衡化，说白了就是让图像的灰度分布更均匀。你想想看，一张曝光不足的照片，像素都挤在暗区；一张过曝的照片，像素都堆在亮区。这两种情况，图像的细节都看不清楚。

我刚开始接触图像增强时，总觉得调亮度、拉对比度就够了。直到有一次处理医学X光片，怎么调都看不清病灶边缘。后来用了直方图均衡化，效果立竿见影。嗯，从那以后我就把这招当成了图像预处理的标配。

直方图均衡化的目标很简单：让输出图像的直方图尽可能平坦。也就是说，每个灰度级上的像素数量大致相等。

为什么这样做能增强图像？因为人眼对对比度敏感。当像素均匀分布在各个灰度级上时，图像的动态范围被充分利用，暗部细节和亮部细节都能看清楚。

核心公式：对于输入灰度 r，输出灰度 s 的映射关系为：

s = T(r) = (L-1) × ∫₀ʳ p_r(w) dw

其中 L 是灰度级数（通常为256），p_r(r) 是输入图像的概率密度函数。

这里的关键是累积分布函数（CDF）。我习惯把它理解成“小于等于某个灰度值的像素占比”。

对于离散图像，我们处理的是直方图而不是概率密度函数。假设图像有 N 个像素，灰度级 r_k 的像素数为 n_k，那么：

p_r(r_k) = n_k / N          // 概率密度
cdf(r_k) = Σⱼ₌₀ᵏ p_r(r_j)  // 累积分布

映射关系就变成了：

s_k = T(r_k) = (L-1) × cdf(r_k)

为什么会这样？因为 CDF 天然是一个从0到1的单调递增函数，乘以 (L-1) 后正好映射到 [0, L-1] 的灰度范围。

我的经验：实际计算时，CDF 的最小值可能不是0。我习惯先计算 CDF，然后做归一化：

s_k = (L-1) × (cdf(r_k) - cdf_min) / (1 - cdf_min)

这样能保证输出图像的最小灰度是0，最大灰度是 L-1。

我们用一个具体例子走一遍流程。假设一张3×3的灰度图像，灰度范围0-7（L=8）：

灰度级 r_k	0	1	2	3	4	5	6	7
像素数 n_k	2	1	0	3	1	0	1	1
概率 p_r	2/9	1/9	0	3/9	1/9	0	1/9	1/9
CDF	2/9	3/9	3/9	6/9	7/9	7/9	8/9	1
映射 s_k	1.56	2.33	2.33	4.67	5.44	5.44	6.22	7
取整	2	2	2	5	5	5	6	7

你看，原来灰度0的像素（2个）被映射到灰度2；灰度3的像素（3个）被映射到灰度5。输出图像的直方图明显比输入更均匀了。

注意：取整操作会导致多个输入灰度映射到同一个输出灰度。这是信息损失，但通常不影响视觉效果。我曾经在遥感图像处理中遇到过因为取整导致条带效应的问题，后来改用插值映射解决了。

你可能想问：为什么用CDF做映射就能让直方图变平？我们来简单证明一下。

假设输入 r 的概率密度函数是 p_r(r)，映射函数 s = T(r) 单调递增。那么输出 s 的概率密度函数为：

p_s(s) = p_r(r) × |dr/ds|

当 T(r) = (L-1) × ∫₀ʳ p_r(w) dw 时：

ds/dr = (L-1) × p_r(r)
p_s(s) = p_r(r) × 1/[(L-1) × p_r(r)] = 1/(L-1)

看到了吗？输出概率密度函数变成了常数 1/(L-1)。这就是完美的均匀分布！

当然，这是连续情况下的理想结果。离散情况下，由于取整和采样问题，只能做到近似均匀。

我的建议：实际编码时，第4步可以用查表法加速。先建一个256长度的映射表，然后直接查表替换像素值。OpenCV的 cv2.equalizeHist() 就是这么干的。

下面这张图展示了直方图均衡化的完整知识体系：

避坑指南：我曾经在处理医学CT图像时，直接对整个图像做直方图均衡化，结果把背景噪声也增强了，病灶反而看不清。后来我改用自适应直方图均衡化（AHE），只对局部区域做均衡化，效果就好多了。这个我们后面章节会详细讲。