直方图均衡化

直方图均衡化的作用是图像增强。
（就是想使得图像的直方图分布尽可能均匀，理想情况各个灰度值的对应的像素点个数相同）
有两个问题比较难懂，一是为什么要选用累积分布函数，二是为什么使用累积分布函数处理后像素值会均匀分布。
第一个问题。均衡化过程中，必须要保证两个条件：①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数（控制大小关系），并且值域是0到1（控制越界问题），所以直方图均衡化中使用的是累积分布函数。

第二个问题。累积分布函数具有一些好的性质，那么如何运用累积分布函数使得直方图均衡化？比较概率分布函数和累积分布函数，前者的二维图像是参差不齐的，后者是单调递增的。直方图均衡化过程中，映射方法是

其中，n是图像中像素的总和，是当前灰度级的像素个数，L是图像中可能的灰度级总数。

通过上面的公式，直方图均衡化的步骤是：
（1）、我们求出图像的直方图。
（2）、计算出图像的累计直方图，归一化的累计直方图（即每一项变成概率）。
（3）、得到每个灰度值所对应的累计直方图中的概率后，用概率乘上想要将图像映射到的像素区域最大值（例如，8位图像，可以映射到255）。
（4）、即得到了直方图均衡化后的图像。彩色图像也是一样的，只要分别对RGB层进行上述处理即可。

来看看通过上述公式怎样实现的拉伸。假设有如下图像：

得图像的统计信息如下图所示，并根据统计信息完成灰度值映射：

即变换后的灰度值=原灰度值对应的累积分布概率*255（假设是8位图像，像素值得取值为【0,255】）
映射后的图像如下所示：

以上就是直方图映射均衡化的步骤。

关于为什么用累积分布还有下面的解释：

原图

均衡化后

python代码实现：

#-*- coding:utf-8 -*-

from PIL import Image
from pylab import *
from numpy import *
import matplotlib.pyplot as plt

#计算直方图
def computeHist(img):
    m,n=shape(img)
    hist=[0]*256
    for i in range(0,m):
        for j in range(0,n):
            hist[img[i,j]]+=1
    return hist
#计算累积直方图
def computeCDF(hist,img):
    m,n=shape(img)
    p=[0]*256
    for i in range(0,256):
        p[i]=float(hist[i])/(m*n)
    return p
#将累计直方图改为概率模式
def histeq(p):

    c=[0]*256
    for i in range(0,256):
        for j in range(0,i):
            c[i]+=p[j]
    return c
#将原图中各个像素点通过累积概率转变为直方图均衡化后的图像
def transToHistEq(c,img):
    image=img.copy()
    m,n=shape(img)
    for i in range(0,m):
        for j in range(0,n):
            image[i,j]=int(c[image[i,j]]*256)
    return image

#读取图片，并转为灰度图像
im=array(Image.open("E:/source.jpg").convert('L'))

hist=computeHist(im)
p=computeCDF(hist,im)
c=histeq(p)
img=transToHistEq(c,im)

#array()的方向操作，使得后面能进行画图
img=Image.fromarray(img)

#原图
figure()
gray()
imshow(im)
axis('off')

#均衡化后的图
figure()
gray()
imshow(img)
axis('off')
show()