比較概率分佈函式和累積分佈函式，前者的二維影象是參差不齊的，後者是單調遞增的。直方圖均衡化過程中，對映方法是：

其中，n是影象中畫素的總和，nk是當前灰度級的畫素個數，L是影象中可能的灰度級總數。
來看看通過上述公式怎樣實現的拉伸。假設有如下影象：

得影象的統計資訊如下圖所示，並根據統計資訊完成灰度值對映：

對映後的影象如下所示：

灰度直方圖均衡化實現的步驟：

1.統計灰度級中每個畫素在整幅影象中的個數

2.計算每個灰度級佔影象中的概率分佈

3.計算累計分佈概率

4.計算均衡化之後的灰度值

5.映射回原來畫素的座標的畫素值

放上原始碼：

#include<opencv2\opencv.hpp>
#include<cmath>
#include<iostream>
using namespace cv;
using namespace std;
Mat MyequalizeHist(Mat &srcImage)  
{
	int nRows = srcImage.rows;
	int nCols = srcImage.cols;

	int nSumPix[256];
	double nProDis[256];
	double nSumProDis[256];
	int EqualizeSumPix[256];

	for (int i = 0; i < 256; i++)
	{
		nSumPix[i] = 0;
		nProDis[i] = 0.0;
		nSumProDis[i] = 0.0;
		EqualizeSumPix[i] = 0;
	}

	for (int i = 0; i < nRows; i++)
	{
		for (int j = 0; j < nCols; j++)
		{
			nSumPix[(int)srcImage.at<uchar>(i, j)]++;
		}
	}
	
	
	for (int i = 0; i < 256; i++)
	{
		nProDis[i] = (double)nSumPix[i] / (nRows * nCols);
	}
	
	
	nSumProDis[0] = nProDis[0];

	
	for (int i = 1; i < 256; i++)
	{
		nSumProDis[i] = nSumProDis[i - 1] + nProDis[i];
	}
	
	
	for (int i = 0; i < 256; i++)
	{
		EqualizeSumPix[i] = cvRound((double)nSumProDis[i] * 255);
	}
	
	Mat resultImage(nRows, nCols, srcImage.type());
	for (int i = 0; i < nRows; i++)
	{
		
		for (int j = 0; j < nCols; j++)
		{
			
			resultImage.at<uchar>(i, j) = EqualizeSumPix[(int)srcImage.at<uchar>(i, j)];
		}
	}
	return resultImage;

}
int main()
{
	Mat srcIamge = imread("flower.jpg");
	if (!srcIamge.data)
	{
		printf("image could not load...\n");
		return -1;
	}
	Mat srcGray;
	//轉化為灰度圖並且顯示
	cvtColor(srcIamge, srcGray, CV_BGR2GRAY);
	imshow("srcGray", srcGray);
	
	Mat resultImage = MyequalizeHist(srcGray);
	imshow("res", resultImage);

	waitKey(0);
	return 0;
}
 

效果圖：