目標
在本節中,
我們將學習直方圖均衡化的概念,並利用它來提高圖像的對比度。理論
考慮這樣一個圖像，它的像素值僅局限於某個特定的值範圍。例如，較亮的圖像將把所有像素限制在高值上。但是一幅好的圖像會有來自圖像所有區域的像素。因此，您需要將這個直方圖拉伸到兩端(如下圖所示，來自wikipedia)，這就是直方圖均衡化的作用(簡單來說)。這通常會提高圖像的對比度。
我建議您閱讀直方圖均衡化上的Wikipedia頁面，以獲取有關它的更多詳細信息。它很好地解釋了示例，使您在閱讀完之後幾乎可以理解所有內容。相反，在這裡我們將看到其Numpy實現。之後，我們將看到OpenCV功能。
import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('wiki.jpg',0)hist,bins = np.histogram(img.flatten(),256,[0,256])cdf = hist.cumsum()cdf_normalized = cdf * float(hist.max()) / cdf.max()plt.plot(cdf_normalized, color = 'b')plt.hist(img.flatten(),256,[0,256], color = 'r')plt.xlim([0,256])plt.legend(('cdf','histogram'), loc = 'upper left')plt.show()
你可以看到直方圖位於較亮的區域。我們需要全頻譜。為此，我們需要一個轉換函數，將亮區域的輸入像素映射到整個區域的輸出像素。這就是直方圖均衡化的作用。
現在我們找到最小的直方圖值(不包括0)，並應用wiki頁面中給出的直方圖均衡化方程。但我在這裡用過，來自Numpy的掩碼數組概念數組。對於掩碼數組，所有操作都在非掩碼元素上執行。您可以從Numpy文檔中了解更多關於掩碼數組的信息。
cdf_m = np.ma.masked_equal(cdf,0)cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())cdf = np.ma.filled(cdf_m,0).astype('uint8')現在我們有了查找表，該表為我們提供了有關每個輸入像素值的輸出像素值是什麼的信息。因此，我們僅應用變換。
img2 = cdf[img] 現在，我們像以前一樣計算其直方圖和cdf（您這樣做），結果如下所示：
另一個重要的特徵是，即使圖像是一個較暗的圖像(而不是我們使用的一個較亮的圖像)，經過均衡後，我們將得到幾乎相同的圖像。因此，這是作為一個「參考工具」，使所有的圖像具有相同的照明條件。這在很多情況下都很有用。例如，在人臉識別中，在對人臉數據進行訓練之前，對人臉圖像進行直方圖均衡化處理，使其具有相同的光照條件。
OpenCV中的直方圖均衡
OpenCV具有執行此操作的功能cv.equalizeHist（）。它的輸入只是灰度圖像，輸出是我們的直方圖均衡圖像。 下面是一個簡單的代碼片段，顯示了它與我們使用的同一圖像的用法：
img = cv.imread('wiki.jpg',0)equ = cv.equalizeHist(img)res = np.hstack((img,equ)) #stacking images side-by-sidecv.imwrite('res.png',res)
因此，現在您可以在不同的光照條件下拍攝不同的圖像，對其進行均衡並檢查結果。
當圖像的直方圖限制在特定區域時，直方圖均衡化效果很好。在直方圖覆蓋較大區域（即同時存在亮像素和暗像素）的強度變化較大的地方，效果不好。請檢查其他資源中的SOF連結。
CLAHE（對比度受限的自適應直方圖均衡）
我們剛剛看到的第一個直方圖均衡化考慮了圖像的整體對比度。在許多情況下，這不是一個好主意。例如，下圖顯示了輸入圖像及其在全局直方圖均衡後的結果。
直方圖均衡後，背景對比度確實得到了改善。但是在兩個圖像中比較雕像的臉。由於亮度過高，我們在那裡丟失了大多數信息。這是因為它的直方圖不像我們在前面的案例中所看到的那樣局限於特定區域（嘗試繪製輸入圖像的直方圖，您將獲得更多的直覺）。
因此，為了解決這個問題，使用了自適應直方圖均衡。在這種情況下，圖像被分成稱為「tiles」的小塊（在OpenCV中，tileSize默認為8x8）。然後，像往常一樣對這些塊中的每一個進行直方圖均衡。因此，在較小的區域中，直方圖將限制在一個較小的區域中（除非存在噪聲）。如果有噪音，它將被放大。為了避免這種情況，應用了對比度限制。如果任何直方圖bin超出指定的對比度限制（在OpenCV中默認為40），則在應用直方圖均衡之前，將這些像素裁剪並均勻地分布到其他bin。均衡後，要消除圖塊邊界中的偽影，請應用雙線性插值。
下面的代碼片段顯示了如何在OpenCV中應用CLAHE：
import numpy as npimport cv2 as cvimg = cv.imread('tsukuba_l.png',0)# create a CLAHE object (Arguments are optional).clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))cl1 = clahe.apply(img)cv.imwrite('clahe_2.jpg',cl1)查看下面的結果，並將其與上面的結果進行比較，尤其是雕像區域：
附加資源
Wikipedia page on Histogram Equalization：http://en.wikipedia.org/wiki/Histogram_equalizationMasked Arrays in Numpy：http://docs.scipy.org/doc/numpy/reference/maskedarray.html)有關對比度調整的問題：
如何在C中的OpenCV中調整對比度？ http://stackoverflow.com/questions/10549245/how-can-i-adjust-contrast-in-opencv-in-c如何使用opencv均衡圖像的對比度和亮度？http://stackoverflow.com/questions/10561222/how-do-i-equalize-contrast-brightness-of-images-using-opencv)