直方图均衡化_直方图均衡化

直方图算法是一种全局算法(对比于前文的局部算法)。是基于灰度值得到的一个统计结果。我们对一个100*100的图像进行直方图统计，就可以统计每一个值的个数，最后得到一个统计结果，可以用图示表示：

其中x方向就是0-255，y方向就是像素x出现的次数，所有的次数加在一起就是1万。

这样就可以直观看出整个全局图像的亮暗特征。如果一个图像的直方图的x值从0-100的话，我们就可以推断这个图像整体看起来就比较暗。如果一个图像的直方图的x值从100-150的话，这个图像看起来就特别灰蒙蒙的，就相当于蒙上了一层雾一样。这两种图像我们称之为对比度较低，是不利于人眼进行观测的。

在这种情况下，我们可以使用直方图均衡化算法进行图像增强。也就是说，我们将100-150的像素区间拉伸到0到255之间，从而更新每一个像素的灰度值。比如我们有一个光纤端面的图像，原始图和经过直方图均衡化的结果的图如下所示：

  

可以看出，经过直方图均衡化之后，右侧的图像明显看起来“清晰”多了，可以看到中间的划痕更明显了。左侧的像素都挤在一起，在差异度上较小，不利于后续差异化算法的开展，也不方便调试。引入直方图算法之后，像素之间的差异性就变大了，尤其是划痕和周围之间的差异性就更大了。

直方图均衡化从本质上是一种归一化算法，将目前灰度区间较窄的范围通过一种非线性的方式在整个像素可视空间重映射，最后达到一种图像增强的目的。但是直方图均衡化无法表达具体的像素位置，因为直方图本身也仅仅表达某一灰度值出现的概率，并未体现该灰度值所在的位置信息。

从另一种角度来看，我们可以将直方图均衡化当做原始图像的像素概率分布非线性改变的一种算法，一个图像经过一次直方图均衡化之后再次进行均衡化后的结果是相同的。从定义上来说，直方图提供了一种从统计和概率角度对图像进行分析的方式，通过全局像素的统计，我们就可以直观判断图像的亮暗特性，然后在此基础上进行均衡化处理，就可以达到图像增强的目的。