直方图均衡化的代码解析

原文请参考以下博文，代码是直接借鉴的，指出了一些问题。

https://blog.csdn.net/weixin_37139761/article/details/83386790

以下是原博文贴出的代码，并做了一些修改。

function [img2, func_T] = myHistogramEqualization(img)
    img1 = double(img);
    [r,c,l] = size(img1)%获取图像的高r和宽c
    %统计图像中每个灰度级出现的次数
    count = zeros(1,256);
    for i=1:r
        for j=1:c
            count(1,img(i,j)+1) = count(1,img(i,j)+1)+1;
        end
    end
    %统计图像中每个灰度级出现的概率
    p = zeros(1,256);
    for i=1:256
        p(1,i) = count(1,i)/(r*c);
    end
    img2 = im2uint8(ones(r,c));%创建一个r X c大小的1矩阵
    
    func_T = zeros(1,256);%变换函数
    p_sum = 0;
    %求直方图均衡化的变换函数
    for k = 1:256
        p_sum = p_sum + p(k);%求每个灰度级的概率之和
        func_T(k) = (256-1)*p_sum;%根据变换函数的公式求和
    end
    
    func_T_z =  round(func_T);%对变换函数进行取整
    %完成每个像素点的映射
    for i = 1:256   % 此时的i是概率和
        findi = find(func_T_z==i);%找到灰度概率和是i时对应的灰度值
        len = length(findi);
        for j=1:len
            findj = find(img==(findi(j)-1));%进行对应每个像素点的映射
            img2(findj) = i;
        end
    end
end

直方图均衡化的原理很多博文都有，这里不再涉及。对于上述代码，在运行后会发现有些奇怪的噪点。代码先统计各个像素的灰度值出现的次数，然后计算灰度值0-255的概率密度函数p，然后求概率分布函数（也就是概率累计）func_T，对概率分布函数线性映射到0-255并取整。直方图变换函数其实就是概率分布函数，落在分布函数每个点上的灰度可能不止一个。实验用的lena.bmp，最小灰度是24，最大灰度是245，但是概率分布在1上的灰度是33 34 35 36，也就是说，图像中所有灰度为33到36的像素点的个数占总像素的1%。这么理解也没问题，但是矛盾出来了，明明图像中有小于灰度是33的像素，为什么概率分布为1对应的像素是33-36呢？仔细看代码后发现，源代码中 findi = find(func_T_z==i); 的i是从1开始的，但是func_T_z给四舍五入到0-255，因此代码更改一点即可：findi = find(func_T_z==（i-1）);下图（左）是原代码效果，可见帽檐左侧有一些白点，改完以后的效果如右图所示。左下为原始图像。可见，相比于原图像， 经过直方图均衡化后的图像对比度更强。