mfcc总结，对比直方图均衡化（一）

在人脸识别中（opencv），隐藏了一个不起眼的函数，叫做直方图均衡化。搞定mfcc之后，有一天早晨起床，突然发现mfcc神似直方图均衡化，又打开吃灰的概率论和图像处理，反复研究，迈上一个台阶，终于懂了直方图均衡化。今天我们先搞定直方图均衡化，你可以看一看，mfcc是如何神似藏其中的。

翻开概率论，问，已知ε的概率密度函数是φε（x），η=4*ε-1，求η的概率密度函数φη（x）。求解如下

Fη（x）=P{η<=x}=P{4*ε-1<=x}=P{ε<=(x+1)/4}=Fε（(x+1)/4）,

然后两边对分布函数对x求导：

φη（x）=φε（(x+1)/4）*d（(x+1)/4）/dx

φη（x）=φε（(x+1)/4）*1/4

这给出了这个概率密度函数间的转化公式：φη=φε*dε/dη,

好难看，变一下φy=φx*（dx/dy），是否好看多了，但不影响实质。

好，我们玩一玩概率论，有没有一个函数y=f（x）能保证：

0<=x<=255,0<=y<=255

这就是概率论的好处了：你看离散型概率密度函数的基本性质：

1，Pk>=0;k=1,2.....(这里我们的上限让他等于256）

2，Pk=1

令x=k-1；则0<=x=k-1<=255，0<=y=255*Px<=255

所以y=f（x）=255*Px，其实我们也不知道这个东东能干啥。

当一幅有人脸的图像偏暗（灰度【0,255】图像）看不清，我们统计了他的直方图Px=H（x）/(图像的高*宽)，好，我们把这个Px带入上面那个东东y=f（x）=255*Px，耍了一把，即图像中每一个像素的灰度等于x时，我们用计算出来的y值替代x（一种映射），我的个乖乖，人脸清晰的出现了。

我的神啊，这个概率论太伟大了吧(化腐朽为神奇)！

我想Pk=1，归一化的第一好处，便是概率论的产生。

对比mfcc，你有没发现猫腻？下一节，我们做一对比。

 

注释一：在上面的例子中，要注意，转换函数η=4*ε-1是不满足直方图均衡条件要求的。

满足直方图均衡条件的转换函数是：y=f（x）=（n-1）*Px；（0<=x<=n-1，一般情况，在图像处理中n=256）

在图像处理中，为了保证原图像通过一个逻辑后，发生了变化，为了保证变化的可逆性，就会增加苛刻的条件加以限制，这是逻辑的伟大之处，也是科学的伟大之处，而我们的时光却是单向性的，好，扯远了，直方图均衡化可逆的条件是，严格的单调递增函数。但，有时，我们不需要返回。有清晰的人脸，已经解决问题了。

注释二：你有没有发现，我们求的公式φy=φx*（dx/dy），好像没用过，好，现在来用以下，y=f（x）求导，

dy/dx=d（255*Px）dx=255*Px；因为φx=Px；所以φy=Px*（dx/dy）=Px*1/(255*Px)=1/255.

这个概率密度函数φy=1/255是什么意思？记得一个麻将骰子每个面数字的概率都是1/6吗？这个叫离散型均匀分布。