机器人视觉初级系列(7) - 图像直方图均衡化(续)

在上一篇文章中直接给出图像直方图均衡化的基本思想和实例代码，这一篇文章给自己深入了解直方图均衡化具体的实现数学原理。

---

直方图均衡化原理

累积分布函数CDF原理

其中图像直方图均衡化中最常用方法（即opencv里使用的方法）是累积分布函数CDF。在基本图形分析中，CDF可能是最不出名且最不受待见的工具。相对于直方图和KDE，它们没有太多直观上的吸引力，但CDF能够让我们对数据做出定量的描述，这是我们常常需要却又很难从直方图获得的。

连续情况下，非均匀概率密度函数 $P_{r}(r)$ 经过变换函数 $T(r)$ 转换为均匀概率分布函数 $P_{s}(s)$ 的情况。其中 $r$ 为变换前的归一化灰度值，$0 \le r \le 1$，$T(r)$ 为变换函数。$S(r)$ 为变换后的灰度值，也归一化为 $0 \le S \le 1$。

对于 $s=T(r)$ 假定：
(1) 在 $0 \le r \le 1$ 区间内，$T(r)$ 为单调递增函数，且满足 $0 \le T(r) \le 1$
(2) 变换 $r=T-1(S)$ 存在，$0 ≤ S ≤ 1$，也满足类似(1)的条件，$0 \le r \le 1$ 有 $0 \le T(r) \le 1$

条件(1)保证原图中各灰度级在变换后仍保持以黑 \to 白（白 $\to$ 黑）的排列次序，避免整个图像变亮或变暗；
条件(2)保证变换前后在灰度值动态范围内的一致性。反变换也满足这2个条件。

对于连续的函数，$P_{r}(r)$ 和 $P_{s}(s)$ 分别是灰度 $r$ 和 $s$ 的概率密度函数，可知：

$$P_{s}(s) = P_{r}(r) \frac{dr}{ds}\qquad$$

直方图均衡化的目的是保证每个灰度级的概率密度相等，即是一个常数：

$$P_{s}(s) = \frac{1}{L}\qquad$$

$L$ 是均衡化后灰度的变化范围，在这里归一化为1，即：

$$P_{s}(s)=1 \to ds = P+{r}(r)dr \to s = ∫ P_{r}(r)dr$$

此式表明，当变换函数为原图像密度函数的分布函数时，能达到直方图均衡化目的。

对于离散的情况有：

$$s_{k} = \sum_{j=0}^{k} \frac{n_{j}}{n} \qquad$$

看到这里我懵逼了，不要问，千万不要问我。看下面的例子：

设有一副 $64*64$ 的图像，8bit灰度图像（图中有8个灰度值），那么这幅图像有4096个像素点，灰度级分布在在 $p_{r}(r_{k})$：

$r_0 = 0, n_0 = 790, p_r(0) = 0.19$
$r_1 = 1/7, n_0 = 1023, p_r(1) = 0.25$
$r_2 = 2/7, n_2 = 850, p_r(2) = 0.21$
$r_3 = 3/7, n_3 = 656, p_r(3) = 0.16$
$r_4 = 4/7, n_4 = 329, p_r(4) = 0.08$
$r_5= 5/7, n_5 = 245, p_r(5) = 0.06$
$r_6 = 6/7, n_6 = 122, p_r(6) = 0.03$
$r_7= 1, n_5 = 81, p_r(7) = 0.02$

$r_i$ 灰度级数， $n_i$ 灰度级数的像素点总数，$p_i$ 非均匀概率密度函数。根据变换函数公式可计算出 $s_k$ 如下：

$s_0 = \sum{p_r(r_j)} = 0.19$

$s_1 = \sum{p_r(r_j)} = p_r(r_0)+p_r(r_1) = 0.19 + 0.25 = 0.44$

同样可得：$s2 = 0.65,s3 = 0.81,s4 = 0.89,s5 = 0.95,s6 = 0.98,s7 = 1.00$
由于原始图像的灰度只有8级，因此上述各需以1/7为量化单位进行舍入运算，得到：

$s_0舍入 = 1/7,s_1舍入 = 3/7, s_2舍入 = 5/7, s_3舍入 = 6/7$
$s_4舍入 = 6/7, s_5舍入 = 1, s_6舍入 = 1， s_7舍入 = 1$

由此可见，实际上只存在5个灰度级，$s_i$为5个灰度级 $Ns_i$为与之对应的像素数，$P_r(s_i)$为均衡后累计分布概率：

$s_0=1/7, N_{s_0}=790, P_r({s_0})=0.19$
$s_1=3/7, N_{s_1}=1023, P_r({s_1})=0.25$
$s_2=5/7, N_{s_2}=850, P_r({s_2})=0.21$
$s_3=6/7, N_{s_3}=985, P_r({s_3})=0.24$
$s_4=1, N_{s_4}=448, P_r({s_4})=0.11$