直方图均衡化理解 （冈萨雷斯-数字图像处理第三版）

1.直方图均衡化引入

如图，在第1，2，3张图中，当灰度值集中在某一块区域时，图像比较平淡即对比度低。而第4张图中，灰度值覆盖比较宽的范围，而且比较均匀的分布，其对比度高，细节丰富。将图像的灰度值进行函数变换偏向于均匀分布，大概率会提高图像的对比度和细节性。下图就是变换函数的目标。

2.怎么实现直方图均衡化

将分布在0-255之间的灰度值的个数类比为概率论中的概率密度相关内容进行计算。并且先考虑连续的灰度值方式进行计算，然后再推导离散的情况。

2.1 几个基础概念名词

链接: 如何通俗的理解概率密度.
概率：事件随机发生的几率
概率密度：落在某点的概率
累积概率密度：某些点的概率累积

2.2 推导公式

现在开始推导公式啦：
上述第二张图中，已知原来的概率密度函数为$f(r)$，累计概率密度函数为
F r ( R ) = P { R ⩽ r } = ∫ 0 R f ( r ) d r , R ∈ ( 0 , L − 1 ) F_{r}(R) =P\left \{ R\leqslant r \right \} = \int_{0 }^R{f(r)dr}, R\in(0,L-1) Fr​(R)=P{R⩽r}=∫0R​f(r)dr,R∈(0,L−1) 且$$F_r^{{}^{\prime }}(R)=f(r)$$变换函数为$$s=T(r)即r=T^{-1}(s)$$变换后的概率密度 $$f(s)=\frac{1}{L-1}$$累积概率密度为 F s ( S ) = P { S ⩽ s } = ∫ 0 S f ( s ) d s = S L − 1 , S ∈ ( 0 , L − 1 ) F_{s}(S) =P\left \{S\leqslant s \right \} = \int_{0 }^S{f(s)ds}= \frac{S}{L-1} , S\in(0,L-1) Fs​(S)=P{S⩽s}=∫0S​f(s)ds=L−1S​,S∈(0,L−1)且$$F_s^{{}^{\prime }}(S)=f(s)$$推导： F s ( S ) = P { S ⩽ s } = P { T ( r ) ⩽ s } = P { r ⩽ T − 1 ( s ) } = F r ( T − 1 ( s ) ) F_{s}(S) =P\left \{S\leqslant s \right \} =P\left \{T(r)\leqslant s \right \} = P\left \{r\leqslant T^{-1}(s) \right \} = F_{r}(T^{-1}(s) ) Fs​(S)=P{S⩽s}=P{T(r)⩽s}=P{r⩽T−1(s)}=Fr​(T−1(s)) 即$$F_s^{{}^{\prime }}(S)=f(s)=F_r^{{}^{\prime }}(T^{-1}(s))=\frac{d(F_r(T^{-1}(s)))}{ds}=f(T^{-1}(s))\frac{d(T^{-1}(s))}{ds}$$ 有$$r=T^{-1}(s)$$则$$f(s)=f(r)\frac{dr}{ds}=\frac{1}{L-1}$$有$$ds=(L-1)f(r)dr$$对两边做积分有$$s=T(r)={\int }_0^r(L-1)f(r)dr=(L-1){\int }_0^{r}f(r)dr$$
对应到离散灰度值上有
一幅图像中灰度级为$r_k$的概率为$$P_r=\frac{n_k}{MN},k=0,1,2,\cdots ,L-1$$ 其中MN为图像的总像素数，$n_k$为灰度值为$r_r$的像素数。
离散的公式为：$$s_k=T(r_k)=(L-1)\sum _{j=0}^k{P}_r(r_j)=\frac{L-1}{MN}\sum _{j=0}^k{n}_j,k=0,1,2,\cdots ,L-1$$以上为推导内容，如果错误还请指正。
具体的参考例子可以看看
链接: 具体的直方图均衡化实现.