信息的期望称为熵。因此，假设没有添加随机效应，信息丢失可以理解为源图像和处理后图像之间的熵差异。

连同我关于为什么对比度不是熵的适当度量的答案，这给了我们一个简单的答案：

信息损失仅仅是计算具有相同处理图像的不同图像所需的位数（即在直方图归一化之后）。

现在，无论您假设像素具有实值强度还是离散强度，这里的数学运算都会变得非常不同。

在连续情况下，您需要意识到直方图均衡将函数应用于强度的 pdf，从而添加负微分熵。

在离散情况下，源图像的多个强度将映射到输出中的单个强度：您可以对这些（“经验 CDF”）进行统计，并从中得出您丢失了多少信息。

亮度。您可以在此处找到更多详细信息：

使用对比度增强的亮度保持双直方图均衡

直方图均衡有不同的方法。

最典型的方法本质上是将强度级别映射到新的中，前提是新图像在对比度上看起来会更好。假设您保留了相关强度映射的简单记录，则此映射是可逆的；8 位图像的 256 字节数组。请注意，如果将两个（或更多）不同的级别映射到一个新级别，那么除非保留一些进一步的特殊日志，否则将再次无法进行反转。$I_k$$I_m$

如果给定强度级别的像素被不同地处理（出于某种原因），则无法进行反转。（除非保留了相当低效的显式映射信息？）

答案实际上取决于您使用的直方图均衡。如果在此过程中存在微分、量化、重新分箱或裁剪，则会丢失一些信息。这种损失的程度将取决于数据和数据范围。