直方图均衡化技术文档
背景
直方图均衡化是一种常用的图像增强技术，用于提升图像的对比度，使得图像的亮度分布更加均匀，从而改善视觉效果。这种技术尤其适用于亮度不均或对比度较低的图像，通过对像素值进行重新分配，使得图像中的细节更加清晰和显著。
数学步骤
1. 计算灰度级的直方图
假设图像是一个灰度图像，像素值范围为 [ 0 , L − 1 ] [0, L-1] [0,L−1]，其中 L L L 是灰度级的总数（例如，8位图像中， L = 256 L = 256 L=256）。首先计算每个灰度值 r k r_k rk 的频率（也称为直方图），表示为 n k n_k nk，其中 k = 0 , 1 , 2 , ... , L − 1 k = 0, 1, 2, \dots, L-1 k=0,1,2,...,L−1。
公式如下：
p r ( r k ) = n k N p_r(r_k) = \frac{n_k}{N} pr(rk)=Nnk
其中， p r ( r k ) p_r(r_k) pr(rk) 表示灰度级 r k r_k rk 的概率， N N N 为图像中像素的总数。
2. 计算累积分布函数（CDF）
计算累积直方图或累积分布函数 c ( r k ) c(r_k) c(rk)：
c ( r k ) = ∑ j = 0 k p r ( r j ) c(r_k) = \sum_{j=0}^{k} p_r(r_j) c(rk)=j=0∑kpr(rj)
c ( r k ) c(r_k) c(rk) 表示从灰度值 0 到 r k r_k rk 的累积概率。
3. 进行灰度值映射
将原始图像中每个像素值 r k r_k rk 映射到新的均衡化后的值 s k s_k sk：
s k = ( L − 1 ) ⋅ c ( r k ) s_k = (L - 1) \cdot c(r_k) sk=(L−1)⋅c(rk)
其中， s k s_k sk 是经过均衡化后的像素值，取值范围也是 [ 0 , L − 1 ] [0, L-1] [0,L−1]。
4. 应用映射到图像
将所有像素的原始值 r k r_k rk 通过映射函数替换为新的值 s k s_k sk，得到均衡化后的图像。
公式总结
直方图均衡化的转换函数为：
T ( r k ) = ( L − 1 ) ⋅ ∑ j = 0 k p r ( r j ) T(r_k) = (L - 1) \cdot \sum_{j=0}^{k} p_r(r_j) T(rk)=(L−1)⋅j=0∑kpr(rj)
通过 T ( r k ) T(r_k) T(rk) 的映射，可以得到均衡化后的灰度级。
直方图均衡化的直观理解
直方图均衡化通过重新分配像素值，使得较少出现的像素值占据更多的灰度范围，而频繁出现的像素值占据较小的灰度范围，从而达到增强图像对比度的效果。通过累积分布函数，原始图像的像素值被重新映射，使得在新图像中，像素的分布更加均匀，从而提高对比度，使图像的细节更加明显。
示例代码
以下是使用 Python 和 OpenCV 对图像进行直方图均衡化的代码示例：
python
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取灰度图像
image = cv2.imread('example.jpg', 0)
# 使用OpenCV的直方图均衡化函数
equalized_image = cv2.equalizeHist(image)
# 显示原始图像和均衡化后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Equalized Image', equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()小结
- 直方图均衡化 的核心是重新分配像素值，使得图像亮度的分布更均匀。
- 通过 累积分布函数（CDF），可以得到每个像素值的映射，从而增强图像对比度。
- 这种技术在图像光照不均或对比度较低的情况下尤其有用，可以让图像中的细节变得更加明显。