直方图均衡、直方图规定化、局部直方图均衡、直方图统计

       我现在做的方向是图像处理，研一一来就有一个指纹识别相关的项目，有项目都很忙的，所以数字图像处理那本书一直没能仔细看看，项目中也没涉及到直方图的东东。直方图虽然可以用来做分割（多峰的情况），但我分割不是用的直方图的方法。

       下面我记录下我对直方图的理解：直方图就是一个统计信息，横坐标是灰度级（就灰度图像而言）、纵坐标就是相应灰度级上的像素个数。直方图的一种变形，即归一化，就是将纵坐标都除以图像的像素总数，这样纵坐标就表示该灰度级在这张图像中出现的概率了。归一化这个词在很多地方都有用，但没有一种具体的解释，我个人的认为就是把在很大范围的一些数据集通过变化使这些数据集集中到一个较小的范围类，这样的目的主要是便于处理和消除一些影响（多张图像的归一化就是为了去除光照的影响）。

直方图均衡：直方图均衡的目的主要是为了让图像灰度尽 可能的分布的比较广，具体目的可以参考更多资料。

首先考虑连续灰度值，并用变量r表示待处理图像的灰度。通常，我们假设r的取值区间为[0,L-1] 且 r = 0表示黑色，r = L-1表示白色。在r满足这些条件的情况下，我们将注意力集中在变换形式

s = T(r),0 =< r =< L-1

上，对于输入图像中每个具有r值的像素产生一个输出灰度值s。我们假设

(a)T(r)在区间0 =< r =< L-1上位单调递增函数。这个条件保证了输出灰度值不少于相应的输入值，防止灰度反变换时产生人为缺陷。

(b)当0 =< r =< L-1时，0 =< T(r) =< L-1。 这个条件保证了灰度的输出范围和输入范围相同。

后面在直方图规定化中，会使用到反函数r=T(s)的反函数,0 =< r =< L-1 这种情况下，条件(a)改为

(a’)T(r)在区间0 =< r =< L-1上位严格单调递增函数。这样要求的目的是这样原函数只能是一对一的对应，这样反函数才会存在。

一副图像的灰度级可看成是区间[0、L-1]内的随机变量。随机变量的基本描绘子是其概率密度函数(PDF)。令和分别表示随机变量R和S的概率密度函数，其中P的下标用于指示Pr和Ps是不同的函数。由基本概率论得到的一个基本结果是，如果和已知，且在感兴趣的值域上T(r)是连续且可微的，则变换(映射)后的变量s的PDF可由下面的简单公式得到：这里的推导需要用的随机变量的函数的分布。

    

 

其中w是积分的假变量。公式右边是随机变量r的累积分布函数（CDF）。因为PDF总为正，回忆一下，一个函数的积分是该函数下方的面积，变换函数是满足前面的条件（a）（b）的。

带入先前的公式得到：

 接下来就是将连续的情况，转换到离散的情况，因为数字图像的灰度级是离散的。如果上面的理解得比较好的话，那么自己推导出离散的公式那还不是小菜一碟吗！！！

...................................................................点燃我们青春的是：对爱情和知识孜孜不倦的追求！............................................................................................