def histeq(img,nbr_bins=256):
""" Histogram equalization of a grayscale image. """
# 获取直方图p(r)
imhist, bins = histogram(img.flatten(), nbr_bins, normed = True)
# 获取T(r)
cdf = imhist.cumsum() # cumulative distribution function
cdf = 255 * cdf /cdf[-1]
# 获取s，并用s替换原始图像对应的灰度值
result = interp(img.flatten(),bins[:-1],cdf)
return result.reshape(img.shape),cdf
一些思考
笔者以前有这样一种误解：以为所有的理论都可以从基本的数学原理推导得出，于是在碰到新问题的时候，总是试图搞清楚各个数学公式的来源及其物理含义，而忽略了这些数学运作背后的目的是什么！这样的一个缺点就是，今天能够理解的理论，过了几天就不理解了。
现在笔者的一些体会是，如果按照以下思路理解问题，能够起到事半功倍的效果（有点夸张的成分在里面）：首先搞清楚问题的来源、其次知晓解决问题的目的是什么、然后将问题数学化描述（时刻注意约束条件）、最后求解该数学问题。
总结：通常情况下，如果我们能够将前三个步骤走完，最后的求解问题通过借助于现有软件、算法，应该是水到渠成的事。（本人非数学专业，对怎么求解一个数学问题，通常只关心输入、输出、以及约束条件）