直方图均衡化取整怎么计算_图像直方图均衡化和规定化是怎么做的?

2017年11月9日更新：感谢知友 @罗maochun 指出了原文中的重要错误，现已更正。

----------------------------------

为简化问题，仅讨论灰度图像的直方图均衡。

设输入图像为二元函数 f(x, y) ，输出图像为二元函数 g(x, y)，显然二者尺寸相等。我们知道，那些灰度值分布较为平均的图像，通常对比度较高。比如，下图中 g 的灰度较分散(有白的有灰的有黑的)，所以对比度较高；f 的灰度很集中，所以显得灰蒙蒙的。直方图均衡的目的，就是对 f 进行处理产生 g，使得 g 的灰度值比 f 更分散。

怎么做呢？如果我们有一个恰当的 灰度映射函数 T就好了，它能把输入灰度值 r 映射为输出灰度值为 s，即

。假设图像的灰度值连续，由黑到白取值为1～L中的实数。灰度映射函数 T 可能长这样：

用图形来表达就是：

对图像施以该灰度映射，图示如下：

看起来不错。不过——

有一句老话叫做“具体问题具体分析”，这告诉我们：决不可能使用某个特定的 T 一劳永逸。那么，有没有办法“自动地”根据实际情况生成 T 呢？答案是肯定的。请接着往下看。

设任意灰度值 t 在 f 中出现的概率为函数

，在 g 中出现的概率为函数

。这两个函数均可以直接由图像统计出来。然后，我们定义两个函数

(意义：f 中灰度值小于 n 的概率)

以及

(意义：g 中灰度值小于 n 的概率)

那么必然有

为什么呢？这是因为我们必须保证：原本比 r 暗的灰度，在变换后依然比 s 暗；原本比 r 亮的灰度，在变换后依然比 s 亮。如果连这一点都不能保证，那么输出的图像就会黑白颠倒一团糟。

比方说，若

，变换后

。那么，f 中灰度值小于1/3的像素数目 ＝＝ g 中灰度值小于5/2的像素数目，用频率估算概率，也就是 f 中灰度值小于1/3的概率 ＝＝ g 中灰度值小于5/2的概率。还不懂？看图！

弄清楚 (1) 式的含义后，对其微分就得到下面的式子：

再接下来，如果我们令变换

，那么：

其中的第三行，t 是积分变量，真正的自变量是积分上限 r。

由 (2)(3) 得

奇迹出现了：g 中各灰度出现概率相等，为常数1/L。也就是说，各灰度被完全均摊了！

于是我们知道，无论输入图像是什么，只要统计它之中各灰度值出现的概率

，然后生成映射函数

，剩下的事就是逐个映射图中灰度即可。

现实中数字图像的灰度值是离散的，对此我们只需略作修改。假设图像最多含有 L 种灰度级，由黑到白依次编号为

。每个灰度级在 f 中出现的概率依次为

，在 g 中出现的概率依次为

。

函数定义改为：

以及

，其余同理。

可惜的是，在灰度值离散的情况下，r 和 s 均为整数，我们必须对映射结果取整，这导致 g 中各灰度值出现的概率未必相等。但是可以确定的是： g 的灰度级在一定程度上比 f 更分散了。

至于直方图匹配呢，原理相同，只是多一步而已，详见图像处理教材，在此不再赘述。

参考资料：

Digital Image Processing (3rd Edition), R.C. Gonzalez and R.E. Woods