图像处理课老师讲的论文，实现了一下：
- 在对大背景的图像直接直方图均衡化，会由于背景信息权重过大，影响结果：
I=imread('Xray.jpg');
J=histeq(I);
subplot(2,2,1);imshow(I);title('原图');
subplot(2,2,2);imshow(J);title('均衡化');
subplot(2,2,3);imhist(I,256);
subplot(2,2,4);imhist(J,256);
结果：
文章对图片进行边缘检测，采用灰度梯度大的像素点作为均衡化依据，这样便可排除背景干扰。
梯度边缘检测滤波器（heng：
[high,width] = size(img); % 获得图像的高度和宽度
U = double(img);
uSobel = img;%uint8格式，不必结尾再转换
for i = 2:high - 1 %类似sobel边缘检测
for j = 2:width - 1
Gx = (U(i+1,j-1) + 2*U(i+1,j) + U(i+1,j+1)) - (U(i-1,j-1) + 2*U(i-1,j) + U(i-1,j+1));
Gy = (U(i-1,j+1) + 2*U(i,j+1) + U(i+1,j+1)) - (U(i-1,j-1) + 2*U(i,j-1) + U(i+1,j-1));
uSobel(i,j) = sqrt(Gx^2 + Gy^2); %四周一圈没变，沿用img的值了
end
end
然后将所得到的灰度梯度排序，从小到大分为5部分。取灰度梯度最大的五分之一在原图上对应的像素数据，依据此做直方图均衡化：
A=reshape(map,1,R*C);%矩阵排成行向量
A=sort(A);%排序
a=A(round(R*C*4/5));%取最高五分之一阈值
%% 直方图
[R,C] = size(I);
cnt = zeros(1, 256);
sum=0;
for i = 1 : R
for j = 1 : C
if map(i,j)>a %统计1/5
cnt(1, I(i, j) + 1) = cnt(1, I(i, j) + 1) + 1;
sum=sum+1;
end
end
end
%% 作均衡化
f = zeros(1, 256);
f = double(f); cnt = double(cnt);
% 统计每个像素值出现的概率， 得到概率直方图
for i = 1 : 256
f(1, i) = cnt(1, i) / sum;
end
% 求累计概率，得到累计直方图
for i = 2 : 256
f(1, i) = f(1, i - 1) + f(1, i);
end
% 用f数组实现像素值[0, 255]的映射。
for i = 1 : 256
f(1, i) = f(1, i) * 255;
end
% 完成每个像素点的映射
I = double(I);
for i = 1 : R
for j = 1 : C
I(i, j) = f(1, I(i, j) + 1);
end
end
img = uint8(I);%格式转换
结果：
由于这个自己构造的边缘检测方法比较粗糙，有些边缘点没滤出来，掉到了灰度梯度小的四部分中去了。所以，对小的那部分按照其存在边缘点（采用matlab自带的sobel或canny滤波器获得）的个数比重，进行加权。区别不大有空再码（懒了）。
- 不过好像直接采用现成的边缘检测滤波器也没什么问题
I = imread('...');
% img = rgb2gray(img); %转化为灰度图
map = edge(I,'sobel',0.03);
%% 得到灰度直方图
[R,C] = size(I);
cnt = zeros(1, 256);
sum=0;
for i = 1 : R
for j = 1 : C
if map(i,j)==1 %统计1/5
cnt(1, I(i, j) + 1) = cnt(1, I(i, j) + 1) + 1;
sum=sum+1;
end
end
end