在介绍灰度直方图均衡化(histogram equalization)之前，先讲讲直方图修正。所谓直方图修正，就是通过一个灰度映射函数 Gnew=F(Gold)，将原灰度直方图改造成你所希望的直方图。所以，直方图修正的关键就是灰度映射函数。我们刚才介绍的阈值化、削波、灰度窗口变换等等，都是灰度映射函数。 直方图均衡化是一种最常用的直方图修正。它是把给定图象的直方图分布改造成均匀直方图分布。由信息学的理论来解释，具有最大熵(信息量)的图象为均衡化图象。直观地讲，直方图均衡化导致图象的对比度增加。 由于直方图均衡化涉及到很多概率和数学的知识，具体的细节这里就不介绍了，只给出算法。通过下面的例子，就很容易明白了。 有一幅图象，共有 16 级灰度，其直方图分布为 Pi, i=0,1,…,15，求经直方图均衡化后，量化级别为 10级的灰度图象的直方图分布 Qi，其中Pi 和 Qi 为分布的概率，即灰度 i 出现的次数与总的点数之比。 Pi： 0.03,0,0.06,0.10,0.20,0.11,0,0,0,0.03,0,0.06,0.10,0.20,0.11,0 步骤1：用一个数组s 记录Pi，即 s[0]=0.03,s[1]=0,s[2]=0.06,…,s[14]=0.11,s[15]=0 步骤2：i 从1 开始，令s[i]=s[i]+s[i-1]，得到的结果是 s： 0.03,0.03,0.09,0.19,0.39,0.50,0.50,0.50,0.50,0.53,0.53,0.59,0.69,0.89,1.0,1.0 步骤3：用一个数组L 记录新的调色板索引值，即令L[i]=s[i]× (10-1)，得到的结果是 L：0,0,1,2,4,5,5,5,5,5,5,5,6,8,9,9 这样就找到了原来的调色板索引值和新的调色板索引值之间的对应关系，即 0→0,1→0,2→1,3→2,4→4,5→5,6→5,7→5,8→5,9→5,10→5,11→5,12→6, 13→8,14→9,15→9。 步骤4：将老的索引值对应的概率合并，作为对应的新的索引值的概率。例如，原来的索引值 0,1 都对应了新的索引值 0，则灰度索引值为 0 的概率为 P0+P1=0.03；新的索引值 3 和 7 找不到老的索引值与之对应，所以令Q3 和 Q7 为 0。最后得到的结果是 Qi：0.03,0.06,0.10,0,0.20,0.20,0.10,0,0.20,0.11 图 5.17 为 Pi 的分布，图 5.18 为 Qi 的分布，对照一下，不难发现图 5.18 的分布比图 5.17 要均匀一些。 图5.17 Pi的分布 图5.18 Qi的分布 要注意的是，均衡化处理后的图象只能是近似均匀分布。均衡化图象的动态范围扩大了，但其本质是扩大了量化间隔，而量化级别反而减少了，因此，原来灰度不同的象素经处理后可能变的相同，形成了一片的相同灰度的区域，各区域之间有明...
