均衡化在图像处理中通常指的是直方图均衡化（Histogram Equalization），其主要目的是改善图像的对比度，使图像细节更加明显。以下是对直方图均衡化的详细说明：
直方图均衡化原理
-
直方图
图像的直方图表示各灰度级在图像中出现的频率。对于对比度较低的图像，直方图可能集中在灰度范围的某一小区间。
-
均衡化目标
直方图均衡化通过将原图的灰度分布重新映射，使得输出图像的直方图尽量均匀分布在整个灰度范围内。这通常能够提升图像的整体对比度，使得暗部和亮部的细节更易分辨。
-
映射过程
- 计算原图的灰度直方图以及累积分布函数（CDF）。
- 使用累积分布函数建立灰度映射，将原图中每个像素的灰度值映射到新的值，使得所有灰度级尽可能均匀地分布。
OpenCV 中的直方图均衡化
在 OpenCV 中，可以使用 cv2.equalizeHist() 对灰度图进行直方图均衡化。示例如下：
python
import cv2
# 读取灰度图像
img = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE)
# 应用直方图均衡化
equalized_img = cv2.equalizeHist(img)
# 显示原图和均衡化后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Equalized Image', equalized_img)
cv2.waitKey(0)
cv2.destroyAllWindows()自适应直方图均衡化（CLAHE）
对于某些图像，尤其是亮度变化较大或细节丰富的图像，简单的直方图均衡化可能会使局部噪声被放大。此时，可以使用自适应直方图均衡化（CLAHE），它通过在局部区域内进行均衡化来保持局部对比度，同时避免过度增强噪声。使用方法如下：
python
import cv2
# 读取灰度图像
img = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE)
# 创建 CLAHE 对象，设置对比度限制和网格大小
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_img = clahe.apply(img)
# 显示原图和 CLAHE 处理后的图像
cv2.imshow('Original Image', img)
cv2.imshow('CLAHE Image', clahe_img)
cv2.waitKey(0)
cv2.destroyAllWindows()总结
- 直方图均衡化：适用于整体图像对比度提升，适合亮度分布不均的图像。
- CLAHE：适合处理局部细节丰富或亮度差异较大的图像，可以更好地保持局部对比度，同时避免噪声被过度增强。
通过均衡化处理，可以使图像更容易进行后续的处理，如边缘检测、分割或特征提取。