3、直方图均衡化原理：从概率密度函数到累积分布函数，均衡化的数学推导
好，咱们进入核心环节。前面两章我们看了直方图长什么样，也知道了它反映图像的什么特性。但光看还不够，我们得动手改造它。直方图均衡化，说白了就是让图像的灰度分布变得更均匀——暗的地方提亮，亮的地方压暗，让细节都露出来。
我刚开始学的时候，觉得这玩意儿就是调调对比度。后来做项目才发现，背后的数学推导才是精髓。不理解这层，你调参数就是瞎蒙。今天咱们就把这块硬骨头啃下来。
3.1 从离散到连续：灰度值的概率视角
先问一个问题：一张8位灰度图，有256个灰度级。每个灰度级出现的概率是多少？
很简单，统计一下：
- 灰度值 r 出现的次数 = h(r)
- 总像素数 = N
- 概率 p(r) = h(r) / N
这就是概率密度函数（PDF）在图像里的体现。每个灰度值对应一个概率，所有概率加起来等于1。
核心理解：直方图均衡化的本质，就是通过一个变换函数，把输入灰度 r 映射到输出灰度 s，使得 s 的分布尽可能均匀。
嗯，这里要注意。我们处理的是离散数据，但推导时用连续函数更方便。先假设灰度是连续的，范围归一化到 [0, 1]。最后再离散化回去。
3.2 累积分布函数：均衡化的核心工具
为什么是累积分布函数（CDF）？我当年也困惑过。后来在项目中调试一个低照度图像增强算法，才真正想明白。
假设我们有一个变换函数 T(r)：
s = T(r) = ∫₀ʳ p(w) dw (连续形式)这个积分就是累积分布函数。它把输入灰度 r 映射到 [0, 1] 之间的一个值。关键性质来了：
- 单调递增：保证灰度顺序不变，亮的还是亮的，暗的还是暗的
- 值域 [0, 1]：输出归一化，方便后续量化
- 导数等于 p(r)：这个性质决定了均衡化的效果
我的经验：我曾经在医疗影像项目中，直接用CDF做映射，结果发现图像整体偏亮。后来检查发现，是因为没有考虑灰度级的离散化误差。记住，离散CDF的步长是1/256，不是连续的。
3.3 数学推导：为什么CDF能让直方图变平？
咱们来推导一下。假设输入灰度 r 的PDF是 p_r(r)，输出灰度 s 的PDF是 p_s(s)。变换函数 s = T(r)。
根据概率论，两个随机变量的PDF关系是：
p_s(s) = p_r(r) · |dr/ds|因为 s = T(r)，所以 dr/ds = 1 / (ds/dr) = 1 / p_r(r)。代入上式：
p_s(s) = p_r(r) · (1 / p_r(r)) = 1看到了吗？输出灰度 s 的PDF恒等于1！这就是均衡化的数学本质——输出分布是均匀的。
注意：这个推导在连续情况下完美成立。但离散情况下，由于量化误差，输出直方图只能近似均匀，不可能完全平坦。我在做卫星图像处理时就踩过这个坑——期望太高，结果发现直方图还是有点起伏。
3.4 离散实现：从理论到代码
理论说完了，咱们看看实际怎么做。离散情况下，灰度级是整数 0~255。CDF的计算变成累加：
cdf(r) = Σᵢ₌₀ʳ p(i) (i = 0, 1, ..., r)然后映射到输出灰度：
s = round( cdf(r) × 255 )这里有个细节：CDF的最小值可能不是0，最大值是1。直接乘255，会把最暗的像素映射到非零值。所以实际实现中，常用：
s = round( (cdf(r) - cdf_min) / (1 - cdf_min) × 255 )这样能保证最暗的像素映射到0。
实现步骤：
- 统计直方图 h(r)，r = 0~255
- 计算概率 p(r) = h(r) / N
- 计算累积分布 cdf(r)
- 归一化映射：s = round(cdf(r) × 255)
- 建立查找表 LUT[r] = s
- 遍历图像，用LUT替换每个像素
3.5 一个完整的例子
假设一张3×3的小图，灰度值如下：
| 灰度 r | 像素数 h(r) | 概率 p(r) | CDF | 映射 s |
|---|---|---|---|---|
| 0 | 2 | 2/9 ≈ 0.222 | 0.222 | round(0.222×255) ≈ 57 |
| 1 | 1 | 1/9 ≈ 0.111 | 0.333 | round(0.333×255) ≈ 85 |
| 2 | 3 | 3/9 ≈ 0.333 | 0.667 | round(0.667×255) ≈ 170 |
| 3 | 3 | 3/9 ≈ 0.333 | 1.000 | round(1.000×255) ≈ 255 |
你看，原来集中在低灰度的像素，被拉伸到了整个灰度范围。这就是均衡化的效果。
3.6 核心知识结构图
下面这张图把整个推导过程串起来了：
3.7 常见误区与避坑指南
做均衡化时，有几个坑我踩过，分享给你：
- 误区一：认为均衡化后直方图平坦——离散量化必然有误差，别追求完美
- 误区二：忽略CDF的归一化——直接乘255会导致最暗像素不是0，图像发灰
- 误区三：对彩色图像直接均衡化——应该在HSV空间的V通道上做，否则颜色会失真
我曾经在做一个工业检测项目时，对RGB三个通道分别做均衡化，结果图像颜色完全乱套了。后来改成只处理亮度通道，问题才解决。记住：均衡化改变的是灰度分布，不是颜色。
3.8 小结
这一章我们走完了从概率密度函数到累积分布函数，再到均衡化映射的完整推导。核心就一句话：用CDF作为映射函数，能把输入灰度分布变成近似均匀分布。