3、直方图均衡化数学原理：PDF、CDF与映射函数推导
好，咱们进入正题。直方图均衡化，说白了就是让图像的灰度分布更均匀。你想想看，一张图如果整体偏暗，那它的直方图肯定都挤在左边。均衡化要做的，就是把这些挤在一起的像素「拉开」，让它们均匀地铺满整个灰度范围。
嗯，这里要注意，均衡化不是万能的。我在项目中遇到过一张过曝的图，直方图全堆在右边，均衡化之后反而出现了很多噪点。所以理解它的数学原理，才能知道什么时候该用，什么时候不该用。
3.1 概率密度函数（PDF）
我们先从最基础的说起。对于一张灰度图像，假设灰度级范围是 [0, L-1]，比如 8 位图就是 0 到 255。那么每个灰度级出现的概率是多少？
定义很简单：
P(r_k) = n_k / N其中：
r_k是第 k 个灰度级n_k是该灰度级的像素个数N是总像素数
这个 P(r_k) 就是概率密度函数（PDF）。它描述的是每个灰度级出现的相对频率。
关键点：PDF 的所有值加起来必须等于 1。这是概率的基本性质。如果你算出来不等于 1，那肯定是代码写错了。
我个人习惯在写代码时先做一步检查：
# 伪代码示意
hist = calc_histogram(image) # 计算直方图
pdf = hist / total_pixels # 归一化得到 PDF
assert abs(sum(pdf) - 1.0) < 1e-6 # 检查总和是否为 1为什么 PDF 这么重要？因为它直接决定了后续的映射函数。说白了，PDF 就是原始图像的「灰度分布画像」。
3.2 累积分布函数（CDF）
有了 PDF，下一步就是累积分布函数（CDF）。CDF 的定义是：
C(r_k) = Σ_{i=0}^{k} P(r_i)也就是从灰度 0 到当前灰度 k 的所有概率累加。CDF 有几个重要性质：
- 单调递增：随着灰度级增加，CDF 只增不减
- 取值范围 [0, 1]：最小值是 0，最大值是 1
- 非线性：CDF 的形状完全由原始图像的 PDF 决定
我的经验：CDF 的单调递增性质非常关键。它保证了映射后的灰度顺序不会乱——原来暗的像素映射后还是暗的，亮的还是亮的。我曾经试过用非单调的映射函数做实验，结果图像出现了「灰度反转」，看起来像底片一样，完全不能用。
举个例子，假设一张 4 级灰度图（0, 1, 2, 3），像素分布如下：
| 灰度级 | 像素数 | CDF | |
|---|---|---|---|
| 0 | 50 | 0.5 | 0.5 |
| 1 | 20 | 0.2 | 0.7 |
| 2 | 20 | 0.2 | 0.9 |
| 3 | 10 | 0.1 | 1.0 |
你看，CDF 从 0.5 一路涨到 1.0，每一步都在累加。这就是均衡化的「原材料」。
3.3 映射函数的推导
好，重头戏来了。映射函数怎么来的？
直方图均衡化的核心思想是：让输出图像的 CDF 变成一条直线。换句话说，我们希望输出图像的灰度分布是均匀的。
对于连续情况，映射函数是：
s = T(r) = (L-1) * ∫₀ʳ P(w) dw其中 ∫₀ʳ P(w) dw 就是 CDF。所以映射函数其实就是：
s_k = round( (L-1) * C(r_k) )嗯，这里要注意，对于离散图像，我们得取整。因为灰度级必须是整数。
避坑指南：我曾经在项目中直接用了 s_k = (L-1) * C(r_k) 没取整，结果图像出现了很多「伪轮廓」。取整操作虽然简单，但直接影响最终效果。建议用 np.round() 或者 int() 做转换。
完整的映射过程可以写成：
# 计算 CDF
cdf = np.cumsum(pdf)
# 归一化到 [0, L-1]
cdf_normalized = cdf * (L-1)
# 取整得到映射表
mapping = np.round(cdf_normalized).astype(np.uint8)
# 应用映射
output_image = mapping[input_image]为什么这样就能均衡化？我们来推导一下。
假设原始图像的 CDF 是 C(r)，映射后的灰度是 s = (L-1) * C(r)。那么输出图像的 CDF 是什么？
对于输出图像，灰度 s 的 CDF 是：
C_out(s) = P( s_out ≤ s ) = P( (L-1) * C(r) ≤ s ) = P( r ≤ C⁻¹(s/(L-1)) ) = C( C⁻¹(s/(L-1)) ) = s/(L-1)你看，输出图像的 CDF 变成了 s/(L-1)，这是一条直线！这就证明了均衡化后的图像灰度分布是均匀的。
核心结论：映射函数 s_k = round( (L-1) * C(r_k) ) 的本质，就是把原始图像的 CDF「拉直」成一条直线。拉得越直，均衡化效果越好。
3.4 实际应用中的注意事项
理论讲完了，说点实际的。我在嵌入式视觉项目中用直方图均衡化时，遇到过几个坑：
- 灰度级丢失：取整操作会导致多个原始灰度映射到同一个输出灰度。如果原始图像灰度级很少（比如 16 级），均衡化后可能只剩 8 级有效灰度。
- 噪声放大：如果原始图像有大量暗部噪声，均衡化会把这些噪声放大。我建议先做去噪再做均衡化。
- 实时性：在嵌入式平台上，计算直方图和 CDF 的开销不大，但映射过程需要查表。用查找表（LUT）可以做到 O(1) 的映射速度。
我的建议：对于嵌入式视觉，可以预先计算好映射表，然后直接查表映射。这样每帧图像只需要一次直方图计算和一次查表操作，效率很高。我在一个 ARM Cortex-M4 的项目中，用这种方法做到了 30fps 的实时处理。
最后总结一下：PDF 告诉我们原始图像的灰度分布，CDF 告诉我们累积分布，映射函数把 CDF 拉直。这三步环环相扣，缺一不可。理解了这些，你就能灵活运用直方图均衡化，而不是只会调库函数了。