圖像的像素灰度變化是隨機的，直方圖的圖形高低不齊，直方圖均衡化就是用一定的算法使直方圖大致平和。
均衡化處理後的圖像只能是近似的均勻分布，均衡化圖像的動態范圍擴大了，但其本質是擴大了量化間隔，而量化級別反而減少了
因此，原來灰度不同的像素經處理後可能變的相同，形成了一片的相同灰度的區域，各區域之間有明顯的邊界，從而出現了偽輪廓
如果原始圖像對比度就很高，如果在均衡化則灰度調和，對比度降低。
在泛白緩和的圖像中，均衡化會合並一些像素灰度，從而增大對比度。
均衡化後的圖片如果在對其均衡化，則圖像不會有任何變化
基本算法：
就是把直方圖的每個灰度級進行歸一化處理，
求每種灰度的累積分布，得到一個映射的灰度映射表，
然後根據相應的灰度值來進行修正原圖中的每個像素。
經典的直方圖均衡化算法可能存在以下一些不足：
1.輸出圖像的實際灰度變化范圍很難達到圖像格式所允許的最大灰度變化范圍
2.輸出圖像的灰度分布直方圖雖然接近均勻分布，但其值與理想值1/n仍有可能存在較大的差異，並非是最佳值
3.輸出圖像的灰度級有可能被過多的合並，由於灰度的吞噬也易造成圖像信息的丟失
概率密度函數(PDF)
為了計算方便，我們需要將直方圖歸一化，即把灰度范圍有0~255變為0~1.
歸一化後的直方圖其實就是一個概率密度函數(PDF-probability density function),均衡化就是令概率密度為1。
我們利用Pr(r)來表示原始圖像的PDF，用Ps(s)表示均衡化之後的PDF，r、s分別表示均衡化前後的灰度值，r、s在[0,1]
根據概率論的知識可知：
; 是T(r)的逆變函數
兩邊對r進行積分，即可得出PDF的均衡化公式
累積分布函數(CDF-cumulative distribution function)
對於圖像而言，我們需要使用離散形式的公式(Discrete Formulation)
某個灰度級像素出現的概率為Pr(rk)=nk/N
Pr(rk)是遠原圖像第K個灰度級像素出現的概率，rk是第k個灰度級，即當前色階k，在[0,1]。
nk是rk像素數量，N是像素總數(圖像大小)
圖像的灰度直方圖均衡化公式: