信息熵，图像熵，自适应直方图均衡化

首先先给出两个公式
1.像素点信息量（熵）

图像有n个灰度级，也就是I有n种可能取值，其中i代表第i级，Pi代表第i级灰度出现的概率。
2.图像的熵

只是像素点的信息量的总和。

定义为当图像的熵最大时，图像具有高对比度，并且灰度变化也较为明显，整体图像质量较好。
P1=P2=……=Pn-1=1/n
图像的熵最大，也就是图像点在0-255灰度均匀分布时，图像的质量最好。这也是直方图均衡化的依据。

自适应直方图均衡化
直方图均衡化针对图像的全局特性进行操作，忽略局部细节，因为这里引入的自适应为对图像的局部进行直方图均衡化。

①局部对比度增强法


k为一人为设定的系数，当k大于1，大于平均灰度的值将会增加，小于平均灰度的值将会减小，以此来增强局部的对比度。
②改进直方图均衡化

首先先进行局部对比度增强，然后再直方图均衡化，这样来改进均衡化的结果。
③在进行①时，k是任意选取的，因此此处会引入高频噪声，为了避免高频噪声，需要修改k的选取。
窗口w位于图像细节处，k取大值，这样能保证对对比度的贡献
窗口w位于图像平缓区域时，k取小值，抑制噪声的影响。

具体步骤为③→①→②

有两种很经典的算法
自适应的直方图均衡（Adaptive Histogram Equalization）
限制对比度的自适应直方图增强（Contrast Limited AHE）

在进行完局部的直方图均衡算法后，需要进行像素插值，减小块的影响。

求P点的值，先在x上进行插值，再在y方向上进行插值。