上课的时候很不理解为什么累积分布函数可以实现均衡化，百度了很久终于搞懂了，记录一下自己的理解，希望能帮到以后的人
下面没有数学公式推导，希望能帮大家能从图形的角度去理解直方图均衡化的过程
（电脑作图太麻烦了，我直接手画，请谅解哈哈）
直方图均衡化过程
首先，先摆出直方图均衡化的计算过程
- 得到原始图片的灰度直方图
- 得到各个灰度级对应的概率密度函数
- 通过概率密度函数得到累积分布函数
- 累计分布函数乘以255，得到每一个灰度级对应的新的灰度
- 通过第4步的结果，将旧灰度映射得到新的灰度，即更新整张图片的灰度
要解决的问题
为什么直方图均衡化要用到累积分布函数
直方图想要实现的效果
下面两张图，左上角是原图（对，原本就是灰色的），右上角是经过直方图均衡化处理后的结果，可以发现区别在于：原图比较暗，处理后的图片对比度更强
没错！直方图均衡化做的就是这样一件事情，调整图片的对比度，而要实现这个目标，实际上就是使得图片的亮暗程度增加，因此需要引入灰度直方图（也就是左下角和右下角的直方图）
灰度范围是[0，255]，当为1时，像素的灰度为1时，该像素点为黑色；像素的灰度为0时，该像素点为白色。
所谓的灰度直方图，就是统计图片中所有的像素点在各个灰度级的个数分别为多少，例如，一张图片有总共有9个像素点，灰度为1的有1个像素点，灰度为2的有2个像素点，灰度为3的有3个像素点，灰度为4的有2个像素点，灰度为5的有1个像素点，那么这张图片的灰度直方图应该如下图所示：
如果图片的亮暗程度增加，那就应该扩展灰度范围，因为可能有些图片灰度范围不大，只有[100,200]，或者也可能虽然灰度范围大，但主要的像素点都集中在某一个灰度上，不均匀
我们还是回到一开始的图片，对比两个直方图，可以发现均衡化的直方图蓝色向两边扩散，说明有一下一些像素点的灰度发生了变化，更具体的原因：
- 灰度低的像素点变多了；
- 灰度高的像素点变多了；
- 中间原本集中的点，被分散到了其他灰度。
这三个点很重要后面会用到！
由上述得，只要我们能够找到这样的一个函数，使得旧的灰度直方图发生以上三个变化，那么也就实现对比度的增强
概率密度函数、累积分布函数
首先简单介绍下概率密度函数和累积分布函数
概率密度函数，其实就是我们通常所说的概率，在上面的例子中，总共像素点9个，灰度1的像素点只有1个，因此灰度1的概率密度是1/9，同理可得灰度为2、3、4、5各自的概率密度分别为2/9、3/9、2/9、1/9
可以发现，其实概率密度函数是和个数相关的，所以
这个后面会涉及到！
累积分布函数，其实就是概率密度函数的局部积分，即概率密度函数的总0开始到某一点的面积和，若是离散的情况，则是概率密度函数的累加
还是上面那个例子：
灰度1的累积分布值为：1/9
灰度2的累积分布值为：1/9+2/9 = 3/9
灰度3的累积分布值为：1/9+2/9+3/9 = 6/9
灰度4的累积分布值为：1/9+2/9+3/9+2/9 = 8/9
灰度5的累积分布值为：1/9+2/9+3/9+2/9+1/9 = 1
显然，最终的结果必然1
虽然图片不是很明显，但是我们还是可以发现累积分布函数三个特点：
- 累积分布函数是和概率密度函数密切相连的；
- 当概率密度最大时，累积分布函数的斜率是最大的，也就是最陡，变化幅度最大；
- 累积分布函数的开头和结尾的变化幅度都不大，也就是平缓。
这三个结论也很重要！
下面这样图片会更直观的体现我刚才说到的特点
（这是一个正态分布的连续数据，横轴x代表可能的取值，纵轴y代表每个取值对应的概率密度值，橙色的线代表了每个取值对应的累积分布值，最终累计分布值为1）
（实验来自看见统计）
图解均衡化步骤
（实际图片的数据是离散的，下面为了方便作图，我画的是连续的曲线）
- 得到原始图片的灰度直方图
其实是为了得到旧图片的概率密度函数
- 得到各个灰度级对应的概率密度函数
其实是为了得到旧图片的累积分布函数
- 通过概率密度函数得到累积分布函数
- 累计分布函数乘以255，得到每一个灰度级对应的新的灰度
其实是为了得到映射所需要的函数
这个函数的横坐标含义是从0到255的所有灰度级，纵坐标的含义是映射后的灰度值，整个函数的含义是旧灰度值的像素点，在新图片中所对应的新灰度值应为多少
这个后面在理解映射的时候会用到！
- 通过第4步的结果，将旧灰度映射得到新的灰度，即更新整张图片的灰度
其实是为了完成映射
现在我们假设有一组很极端的数据，大部分都集中在中间，两侧的数据分布特别少，然后我们要对这组数据进行均衡化（也就是映射），使得这组数据的分布变得均匀
下面这张图片是映射的过程，从右下角开始看（跟着箭头走）：
- 不同图的x,y实际意义不同，在这里仅仅是作为提示观察的角度；
- 右下角图片①，对应的是旧图片的概率密度函数;
- 右上角图片②，实际上应为旧图片的累计分布函数乘以 255，但是这里为了方便观它概率密度函数和累计分布函数的关系，所以没有乘以255这个系数，而是用累计分布函数表示；
（因为只是乘以一个255系数而已，图形是不会变的，变得只是纵坐标轴，在这里的目的是观察曲线形状，所以不影响）
（但图形不变，不代表意义相同，乘以255前，曲线代表的是累计分布函数；乘以255后，曲线代表的是：旧灰度的像素点对应的新灰度应为多少） - 左上角图片③，实际上应为均衡化后的灰度直方图，但是这里为了对比均衡化前后概率密度的变化，所以画的是概率密度函数。
（需要把头转一下，注意坐标轴x，y）
（别忘了前面！灰度直方图与概率密度函数只是差一个系数，所以图形是一样的！）
所谓映射就是，图片①的数据x值，作为图片②的x值输入，得到图片②的y值，然后将这个y值，作为新图片的x值（即图片③的输入），然后就可以得到新的灰度直方图！
图片②的输出y值实际是对应新的灰度值，因此刚好对应灰度直方图的横坐标，所以可以重新统计，得到新的灰度直方图
那为什么映射之后中间原本密集的数据就变得分散了呢
因为数据最密集的地方（即概率密度函数最大的地方），刚好对应累计分布函数斜率最大的地方（前面的重要结论）
斜率大意味着图片②中的x哪怕只变化一点点，y也会变化的很大，因此原本集中x在某一段区间的数据，变成了y轴的新区间。例如原本在x的区间为[5，6]，当y=10*x的时候，就是对应y轴[50，60]，区间一下子变大了！
意思就是说，原本在5和6的数据，现在变为50和60，所以数据因此被分散了。
同时要注意的是，因为映射前后数据的数量的不变的（即均衡化前后图片的像素点个数不变），且数据是离散的！
所以原本x在5.5的地方数据量为0的话，那么经过y=10*x的映射后，在x=55的数据量依然为零（后面会再次提到这个点）
也可以通过下面这个图来理解，均衡化只是把数据的位置移动了，高度是不会变的！
如果原本的灰度直方图高度为10，那么在映射后的直方图高度依然为10！只是位置发生了变化而已！
下面我们看一下两端的数据，还是刚才的那一张图，我们看一下黑色阴影部分：
图片①黑色阴影区域的底边长（涵盖的灰度级数多），当它通过图片②的映射时，因为图片②斜率很小的原因，所以哪怕输入x的区间很大，输出y的变化也很小，例如，原本在x的区间为[10，30]，当y=0.1*x的时候，就是对应y轴[1，3]，y几乎没什么变化！
发现了没有！与上面的例子刚好相反！
（同理可得，当灰度级高的时候，对应的累计分布函数斜率小，所以映射后也会出现同样的效果）
正是因为，累计分布函数的斜率，在数据集中的地方比较大（即概率密度函数高的地方），在数据量小的地方比较小（即概率密度函数小的地方），从而实现了我们前面提到了想要的效果：
- 灰度低的像素点变多了；
- 灰度高的像素点变多了；
- 中间原本集中的点，被分散到了其他灰度。
下面我们来看看实际的数据，以红色阴影区为例，我们可以发现映射前，作为输入的H1区间为[100, 150]，变化范围是50，而映射后，输出H2的区间范围显然大于50，说明映射后的灰度范围变大了
同时我们可以发现，新的概率密度函数曲线非常多的跳变，不像旧的概率密度函数曲线那么平滑
原因是，正如前面所说，由于映射后范围扩大了，所以原本很接近的数据之间的间隔变大了，例如原本x1=1，x2=2，经过y=3*x的映射，新的x1为3，新的x2为6，中间的4，5因为原本就没有数据，所以是0，所以在绘制新的曲线的时候在3和6之间曲线跌到0那如果原本的数据分布变化了一下会怎么样呢，我们再举一个极端的例子
假如说一开始，旧的概率密度函数曲线往左靠，即大部分像素点都是灰度都很小
你会发现，咦？好像概率密度的地方对应的斜率也很小，映射后y的变化区域不大啊，怎么回事？
因为图中的累计分布函数是错的！！！那根本不是对应的累计分布函数！！！
别忘了前面的结论，累计分布函数是和概率密度函数相关的，是概率密度的累加，因此实际的累计分布函数应该是如红笔所示：
图片③中的阴影区域才是真正的映射！别忘了前面所说的累计分布函数的三个特点！更加准确的可以看下面这个图，累计分布函数比之前更快的上升，更快地抵达1
总结
好了，下面可以总结下为什么用到的是累计分布函数了：
若要提高对比度，要实现下面的目标
- 灰度低的像素点变多；
- 灰度高的像素点变多；
- 中间原本集中的点，被分散到了其他灰度。
而累积分布函数因为可以随概率密度自动调整斜率，使得概率密度函数大的地方（即数据集中的地方）总是接近累积分布函数斜率大的地方，概率密度函数小的地方（即数据量小的地方）总是接近累积分布函数斜率小的地方，从而造成x,y的区间变化不对等，进而实现对数据分布的调整！
