2. 直方图均衡化原理：图像直方图、累积分布函数、映射函数推导

好，咱们正式开始啃 CLAHE 之前，得先把它的老祖宗——直方图均衡化（HE）给彻底搞明白。说白了，HE 就是 CLAHE 的基石。你如果连 HE 的映射函数怎么来的都说不清，那 CLAHE 的“自适应”和“对比度限制”就更是空中楼阁了。

我个人习惯，讲算法一定要先看它要解决什么问题。一张图像，如果曝光不足或者过曝，像素灰度值就会挤在某个小范围内。比如一张夜景照片，大部分像素都集中在暗区。这时候图像的细节就“糊”在一起了，对比度极差。

直方图均衡化想干嘛？它想把挤在一起的像素分布，拉伸成在整个灰度范围内均匀分布。就像把一堆挤在角落的人，均匀地铺满整个房间。这样一来，暗部的细节就亮起来了，亮部的细节也不会过曝。

2.1 图像直方图：统计的起点

先说说图像直方图。这东西不复杂，就是一个统计图。

• 横轴：灰度级。对于 8 位图，就是 0 到 255。
• 纵轴：每个灰度级出现的像素个数。

用数学表达就是：

h(r_k) = n_k

其中 r_k 是第 k 个灰度级，n_k 是该灰度级的像素总数。

嗯，这里要注意。我们通常还会用归一化的直方图，也就是概率密度函数（PDF）：

p(r_k) = n_k / N

N 是图像总像素数。这样纵轴就变成了概率，范围在 0 到 1 之间。

2.2 累积分布函数：映射的桥梁

有了概率密度函数，我们怎么把像素值从暗区映射到亮区呢？

答案就是累积分布函数（CDF）。CDF 就是 PDF 的累加和。它表示小于等于某个灰度级的像素占总像素的比例。

CDF(r_k) = Σ_{j=0}^{k} p(r_j)

你想想看，CDF 的值域天然就在 [0, 1] 之间。这正好对应了我们想要的输出灰度范围（归一化后）。

为什么 CDF 能用来做映射？因为 CDF 是一个单调递增函数。它保证了映射后的灰度顺序不变——原来暗的像素，映射后还是暗的；原来亮的，映射后还是亮的。不会出现灰度反转这种离谱的事。

2.3 映射函数推导：从理论到公式

好，现在我们来推导那个最终的映射公式。别怕，其实就是几步简单的数学。

假设我们有一张连续灰度图像，灰度值 r 在 [0, L-1] 范围内。它的概率密度函数是 p(r)。

我们想要找到一个变换函数 s = T(r)，使得输出图像 s 的灰度分布是均匀的。

根据概率论，如果 T(r) 是单调递增的，那么输出 s 的概率密度函数 p_s(s) 和输入 p_r(r) 的关系是：

p_s(s) = p_r(r) * |dr/ds|

我们希望 p_s(s) 是均匀的，即 p_s(s) = 1/(L-1)。

那么，变换函数 T(r) 应该是什么？

答案就是输入图像的累积分布函数乘以 (L-1)：

s = T(r) = (L-1) * ∫_{0}^{r} p_r(w) dw

对于离散图像，积分变成求和，公式就是：

s_k = T(r_k) = (L-1) * Σ_{j=0}^{k} p(r_j) = (L-1) * CDF(r_k)

这就是我们最终要用的映射函数。

2.4 效果与局限：为什么还需要 CLAHE？

直方图均衡化效果很直观。对比度提升了，细节出来了。但它有两个硬伤：

说白了，全局 HE 是“一刀切”。它不管图像里不同区域的亮度差异有多大，都用同一个映射函数。这就像给全班同学穿同一码的鞋——肯定有人舒服，有人挤脚。

CLAHE 就是来解决这个问题的。它把图像分成小块，每块独立做 HE，再通过插值消除块效应。同时，它还加了一个“对比度限制”，防止噪声被过度放大。

下面这张图，帮你把整个 HE 的流程和局限串起来：

嗯，看到这里，你应该明白了。HE 是一个优雅的数学工具，但它太“耿直”了。它假设整张图像的亮度分布是均匀的，这显然不符合现实。