🎯 第一部分：直方图均衡化是啥？——让亮度“雨露均沾”
关键字：直方图均衡化、累积分布函数（CDF）、动态范围扩展
🧠 初学者先懂：你有没有拍过“灰蒙蒙的暗图”——亮度全挤在暗部，细节看不清？直方图均衡化就是“把暗部的亮度拉开，让每个亮度级都有足够像素”，相当于给图像“自动打光”。 内容详解： 📖 核心原理：用
累积分布函数（CDF）
做变换——把输入灰度级
r
映射到输出灰度级
s
，公式是： 连续版：
s = T(r) = ∫₀ʳ pᵣ(w)dw
（
pᵣ
是输入灰度的概率密度） 离散版：
sₖ = Σⱼ₌₀ᵏ (nⱼ/n)
（
nⱼ
是第j个灰度级的像素数，
n
是总像素数） 🤖 类比理解：就像把“挤在角落的人群”均匀分散到整个房间——原来暗部的像素被“拉”到亮部，亮部的像素被“拉”到更亮，最终每个亮度区间都有像素，对比度直接拉满！ 💻 直观感受：图2.8(a)是暗的花粉图，均衡化后（图2.8(c)），花粉的纹理和细节全清晰了！
👐 第二部分：怎么实现直方图均衡化？——代码+步骤手把手教
关键字：histeq、CDF计算、手动实现均衡化
🧠 初学者再懂：实现均衡化有两种方式——用MATLAB自带的
histeq
（一键搞定），或手动算CDF（理解原理）。 内容详解： 📖 方式1：用
histeq
一键操作（课本例2.5）
% 1. 读入并显示原图
f = imread('花粉图.jpg'); % 替换成你的图像路径
imshow(f); title('原图');
% 2. 显示原图直方图
figure; imhist(f); title('原图直方图');
% 3. 直方图均衡化（nlev=255对应uint8的灰度级）
g = histeq(f, 256);
% 4. 显示均衡化后的图和直方图
figure; imshow(g); title('均衡化后的图');
figure; imhist(g); title('均衡化后的直方图');
📖 方式2：手动算CDF（理解底层逻辑）
% 1. 计算原图直方图和归一化直方图
[h, r] = imhist(f);
hnorm = h / numel(f); % 归一化（每个灰度级的概率）
% 2. 计算CDF（累积求和）
cdf = cumsum(hnorm); % cumsum是“累积和”函数
% 3. 把CDF映射到0-255（因为uint8图的灰度级是0-255）
s = uint8(255 * cdf);
% 4. 生成均衡化后的图像（用映射关系替换每个像素）
g_manual = s(f + 1); % f+1是因为MATLAB索引从1开始
🤖 为啥这么做？
cdf
是“累积概率”，乘以255是把0-1的概率映射到0-255的灰度级——原来暗部的像素（比如灰度10）对应的CDF值小，乘以255后会变成更大的数（比如50），相当于“变亮了”！ ☁️ 注意：
histeq
默认
nlev=64
，如果要和手动结果一致，记得设
nlev=256
！
✨ 第三部分：均衡化的“魔法”——CDF变换函数的作用
关键字：变换函数、亮度映射、对比度增强
🧠 初学者最后懂：均衡化的核心是“CDF变换函数”——它决定了“输入灰度怎么映射到输出灰度”。 内容详解： 📖 看课本图2.9：变换函数是“快速上升的曲线”——输入灰度0-0.2（暗部）被映射到输出灰度0-1（整个范围），原来挤在暗部的像素被“拉伸”到所有亮度区间，这就是“暗图变清晰”的秘密！ 💻 画变换函数的代码：
x = linspace(0, 1, 256); % 输入灰度的归一化范围（0-1）
plot(x, cdf); % 画CDF（变换函数）
xlabel('输入灰度值'); ylabel('输出灰度值');
title('直方图均衡化的变换函数');
🤖 现实应用：均衡化常用于“医学影像增强”（比如X光片、CT图）——原来暗的病灶被拉亮，医生能更清楚看到病变；还用于“监控摄像头的夜视增强”，让暗环境下的物体更明显！ ☁️ 复杂场景：如果图像本身对比度已经很高，均衡化可能会“过增强”（比如亮部过曝）——这时候可以用“直方图规定化”（后面2.3.3的内容），自定义想要的直方图形状！
🌟 总结：直方图均衡化的“优缺点”
→ 优点：
自动增强对比度
，不用调参数，对暗图/低对比度图效果显著； → 缺点：
结果不可控
，可能过增强，对高对比度图不友好； 就像“自动美颜滤镜”——对素颜暗图效果超棒，但对已经化好妆的图可能会“磨皮过度”。不过作为“图像增强入门第一招”，它的实用性拉满！