一、概要（问题和方法）

水下机器人(ROV)在检测桥墩裂缝时，常遇到拍摄出的图像整体昏暗、发蓝或发绿，画面中本该清晰可见的裂缝（暗部）和混凝土表面（亮部）都混在一片灰蒙蒙的色调里，对比度很低，给病害识别带来了巨大困难。
直方图均衡化是一种基础且强大的图像增强工具，它能有效改善上述问题。其核心思想是：通过重新分配图像中所有像素的灰度值，将原本“挤”在狭窄区间的灰度分布，重新“拉伸”到整个0-255的范围内。这样，暗的区域会更暗，亮的区域会更亮，从而显著提升图像的整体对比度，让隐藏的裂缝细节得以显现。

二、直方图均衡化原理

想象一下，一张数字图像就像一幅由无数个不同亮度的小点（像素）组成的画。为了了解这张画的亮度构成，我们可以统计每个亮度等级（从纯黑0到纯白255）下有多少个像素点，并将这个统计结果画成一张柱状图——这就是灰度直方图。这张图直观地告诉我们，图像是偏暗、偏亮，还是灰蒙蒙一片（对比度低）。

水下图像的典型问题：由于光线在水下被严重衰减和散射，ROV拍摄的桥墩图像往往整体亮度不足，其灰度直方图显示像素高度集中在中间灰度区域（例如50-150）。这意味着图像中缺乏真正的“黑”（深裂缝）和真正的“白”（反光表面），所有细节都混杂在相近的灰色中，导致对比度极低，裂缝难以辨认。

直方图均衡化的核心思想：它的目标就是对这张“统计图”进行一番大刀阔斧的改造。算法会寻找一种映射关系，把原始图像中那些集中在狭窄区间的像素，重新分配到整个亮度光谱上。简单来说，就是将像素的灰度值进行“重新排队”，让暗的更暗、亮的更亮，使得最终图像的灰度直方图在整体上尽可能分布均匀。

经过这种变换，原本灰暗、模糊的水下图像，其对比度会得到显著增强，裂缝与背景的边界将变得更加分明，为后续的检测与分析打下良好基础。

CLAHE是一种特殊的直方图均衡；上图为CLAHE算法处理前后对比图

三、核心步骤及示例（包含公式和极简像素矩阵示例）

1. 算法原理

传统直方图均衡化的核心是通过灰度变换函数 $T(r)$ 将原始图像灰度级 $r$ 映射到新灰度级 $s$：

$$s=T(r)=(L-1){\int }_0^r{p}_r(w)dw$$

其中：

• $L$：图像灰度级数（如256）
• $p_r(w)$：原始图像灰度级概率密度函数
• $(L-1)$：将概率分布映射到实际灰度范围的关键系数（如255）

补充说明：直方图均衡化不仅提升对比度，还可能改变图像的整体亮度。具体影响取决于原始图像的灰度分布，因此在实际应用中需要结合具体需求调整。

2.计算步骤

(1) 统计原始直方图

计算图像中每个灰度级 $r_k$ 出现的像素数量 $n_k$：

(2) 计算归一化直方图

将统计值转换为概率分布，即每个灰度级出现的概率：
$$p(r_k)=\frac{n_k}{N}$$
其中：

• $p(r_k)$：灰度级$r_k$出现的概率
• $n_k$：灰度级$r_k$的像素数量
• $N$：图像总像素数（$N={\sum }_{k=0}^{L-1}{n}_k$）
• $L$：灰度级总数（如8位图像$L=256$）

补充说明：归一化直方图的意义在于将像素数量转换为概率分布，便于后续计算累积分布函数（CDF）。

(3) 计算累积分布函数(CDF)

通过累加归一化直方图得到CDF，表示灰度级小于等于$r_k$的像素占比：
$$CDF(r_k)=\sum _{j=0}^{k}p(r_j)$$
关键特性：

• CDF单调递增，值域为$[0,1]$
• 最终$CDF(L-1)=1$（所有灰度级概率之和为1）

补充说明：CDF 的单调递增特性确保了灰度值的重新映射是有序的，避免了灰度值的混乱。

(4) 映射到新灰度级

$$s_k=\text{round}\left((L-1)\times CDF(r_k)\right)$$
其中：

• $L$：灰度级总数
• $(L-1)$：最大灰度值

补充说明：使用四舍五入（round）操作是为了将计算结果映射到实际的灰度级范围内，避免小数灰度值的出现。

(5) 生成均衡化图像

将原始像素值替换为映射后的新值。

3. 数学示例

假设4×4图像像素值如下（假设灰度级总数为8）：
[3, 5, 5, 7]
[3, 5, 7, 7]
[5, 5, 7, 7]
[7, 7, 7, 7]

(1) 统计原始直方图

• 灰度级3：2个像素
• 灰度级5：4个像素
• 灰度级7：10个像素

(2) 归一化直方图/概率分布

• 总像素数$N=16$
• $p(3)=\frac{2}{16}=0.125$
• $p(5)=\frac{4}{16}=0.25$
• $p(7)=\frac{10}{16}=0.625$

(3) 累积分布函数(CDF)

• $CDF(3)=p(3)=0.125$
• $CDF(5)=CDF(3)+p(5)=0.125+0.25=0.375$
• $CDF(7)=CDF(5)+p(7)=0.375+0.625=1.0$

(4) 映射到新灰度级

• s(3)=round(7×0.125)=1
• s(5)=round(7×0.375)=3
• s(7)=round(7×1.0)=7

(5) 生成均衡化图像
[3,5,5,7] → [1,3,3,7]
[3,5,7,7] → [1,3,7,7]
[5,5,7,7] → [3,3,7,7]
[7,7,7,7] → [7,7,7,7]

结果分析

灰度级 $r_k$	像素数 $n_k$	$p_r(r_k)$	$CDF(r_k)$	新灰度级 $s_k$
3	2	0.125	0.125	1
5	4	0.250	0.375	3
7	10	0.625	1.000	7

指标	原始图像	均衡后图像	提升效果说明
平均灰度	6.5	5.25	灰度分布调整，整体亮度略有下降
标准差	1.62	2.65	对比度提升约63.6%，图像细节更突出
信息熵	1.299	1.299	信息熵未显著变化，但对比度提升有助于细节识别

四 真实图像处理代码

略