OpenCV之直方图均衡化

1. 本文代码使用OpenCV版本：2.4.13
2. 本文代码在Win10+Visual Studio 2013 Update 3下测试通过

上两篇博客《OpenCV之直方图拉伸》和《OpenCV之查找表与直方图拉伸》讲述了拉伸图像的直方图以增强对比度。然而，在多数情况下，图像在视觉上的缺陷并非源于使用过窄的强度范围，而是由于某些颜色值出现的频率高于另一些。事实上，我们可以认为一幅高质量的图像应该平均使用所有的像素强度，这便是直方图均衡化(Histogram Equalization)背后的理念，即使得图像的直方图尽可能平坦。可以用以下图像表示：

图像对比度增强的方法可以分为两类，一类是直接对比度增强方法，另一类是间接对比度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接对比度增强方法。

OpenCV实现

OpenCV提供了直方图均衡化的接口：

void equalizeHist(InputArray src, OutputArray dst);

其使用方法如下：

/
// OpenCV实现直方图均衡化示例
#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"

int main()
{  
    // 读入图像，现在是3通道的RGB图像
    cv::Mat image = cv::imread("G:/dataset/lena512.bmp");
    if (image.empty())
    {
        return -1;
    }

    // 转换为单通道的灰度图像
    cv::Mat grayImage;
    cv::cvtColor(image, grayImage, cv::COLOR_BGR2GRAY);

    // 直方图均衡化
    cv::Mat resultImage;
    cv::equalizeHist(grayImage, resultImage);

    // 显示原始图像及经过直方图均衡化的图像
    cv::imshow("Original image", grayImage);
    cv::imshow("Result image", resultImage);

    cv::waitKey();
    return 0;
}

原始图像及其直方图如下所示：

经过直方图均衡化的图像及其直方图如下所示：

从图像来看，对比度确实增强了；从直方图来看，确实使用了更多的灰度级，且相对来说更加平坦了。需要注意的是，由于灰度的离散性，直方图均衡化只能得到相对平坦的直方图。

数学原理

直方图均衡化事实上是对灰度的重映射，将原本的灰度值映射为新的灰度值。要得到此映射函数，必须先从连续灰度说起。

连续灰度

考虑连续灰度值，用r代表原始图像的灰度，它的取值范围为[0, L-1]，其中0代表黑白，L-1代表白色。用s代表经过直方图均衡化的图像的灰度，也就是r经过映射或变换后的灰度，则有变换函数：

$$s = T(r), 0 \le r \le L-1$$

考虑这个变换。因为我们最终要使用所有的灰度级，所以变换后的取值范围应该为[0, L-1]。同时，为了保证变换不会产生灰度颠倒的情况，较大的灰度r必须映射为较大的灰度z，即变换T(r)必须是单调递增的。

下面重述这两个条件：

(a) T(r)在区间[0, L-1]上为单调递增函数；如果需要得到T(r)的反函数，则要求其为严格单调递增函数。

(b) 当$0 \le r \le L-1$时，$0 \le T(r) \le L-1$。

连续随机变量

为了进一步得到函数关系，我们将一幅图像的灰度级看成是区间[0, L-1]内的随机变量。描述随机变换的基本描绘子是其概率密度函数(Probability Density Function， PDF)。令$p_r(r)$和$p_s(s)$分别表示随机变量r和s的PDF。由基本概率论的知识可以知道，如果 pr(