直方图均衡化的数学原理

      学习opencv时了解到直方图均衡，查阅相关博客虽然有代码实现，但我不太明白原理，在回头看了数字图像处理相关介绍后有了一定程度的理解，现搬运一番。

    直方图均衡是图像灰度变换的一种方法，达到的效果即是通过拉伸像素强度分布范围从而增强了图像对比度。把原图的灰度直方图分布变换为近似的均匀分布。

   核心概念就在灰度的变换函数：

r代表原图的像素灰度值，s即为变换后灰度。

     图像灰度级可作为区间[0，L-1]内的随机变量，则令原图中的灰度分布的概率密度为Pr(r)，变换后概率密度为Ps(s)。

由概率密度特点可得

（1）

（ds移到左边，在[0,L-1]范围内积分得到概率为1）

从而只要决定了变换函数T(r)，就能得到变换后灰度分布的概率密度。

（2）

该函数有两个主要特点：

1.单调递增，即从原灰度r映射到s值是一一对应的，不会有多个灰度级映射到同一灰度上，便可求逆变换。

2.从形式上可知函数的定义域和值域范围均为[0,L-1]。 不会发生灰度值越界情况。

更神奇的事情在于，将该累计分布函数带入（1）式，得到

即，变换后的灰度是在[0，L-1]内服从均匀分布的随机变量，与原图像的灰度分布没有关系。

无论原图像灰度的概率分布是怎么样的千奇百怪，经过T（r）的变换后都成了一致的豆腐块。

这也就是equalization的含义。不过在图像处理中，灰度分布是离散的，所以经过

（3）

变换后值也是离散的，之能是近似于均匀分布。公式（3）也就是灰度映射的方法。

参考链接：http://wenku.baidu.com/view/6c55ecbdc77da26925c5b090