计算机视觉（opencv）实战十七——图像直方图均衡化

直方图与直方图均衡化原理详解

图像处理领域中，直方图是一种非常重要的工具，它能够反映一幅图像中像素灰度分布的整体情况。而直方图均衡化则是一种常用的图像增强技术，可以有效改善图像的对比度，使暗部更亮、亮部更亮，从而让细节更加清晰。

本文将通过理论讲解和代码示例，帮助理解直方图及均衡化的原理与应用。

一、直方图的概念与作用

直方图是一种统计图，它记录了图像中各个灰度值出现的次数。

假设图像是 8 位灰度图像，那么每个像素灰度范围是 0~255，直方图就有 256 个柱子，每个柱子代表对应灰度值的像素数量。

横轴：灰度值 (0 ~ 255)。
纵轴：该灰度值的像素出现频率或次数。

直方图能够快速反映图像的亮暗分布：

如果直方图集中在左边，说明图像偏暗；
集中在右边，说明图像偏亮；
集中在中间且分布较窄，说明图像对比度较低，灰度层次不明显；
分布较均匀且覆盖整个灰度范围，说明图像对比度较高，细节丰富。

二、直方图均衡化的原理

1. 问题动机

如果图像的灰度分布比较集中，比如大量像素集中在 100 ~ 150 之间，那么整幅图像会显得灰蒙蒙、对比度低。这种情况就需要对像素的分布进行"拉伸"，让灰度值尽可能覆盖整个 0~255 区间。

2. 基本原理

直方图均衡化的核心思想是 重新分配像素灰度值 ，让直方图分布更加均匀。

具体步骤如下：

统计图像直方图，得到每个灰度值的概率分布；
计算累积分布函数 (CDF)；
用 CDF 作为映射函数，把原始灰度值映射到新的灰度值，使得像素分布更均匀；
输出的图像对比度被增强，暗区更亮、亮区更暗，使细节更突出。

这种方法的优点是简单、高效，缺点是可能导致某些图像过度增强，细节丢失或噪声被放大。

三、局部直方图均衡化（CLAHE）

全局直方图均衡化对整幅图像使用同一个映射函数，有时会导致过度增强或亮度不均。为了保留细节，可以使用 自适应直方图均衡化（CLAHE, Contrast Limited Adaptive Histogram Equalization）。

CLAHE 将图像分为小块（tiles），在每个小块上分别做直方图均衡化，再把结果拼接起来，从而在局部区域增强对比度。

此外，CLAHE 有一个 clipLimit 参数，用来限制对比度增强的幅度，防止过度增强产生噪声。

四、代码讲解

下面的代码演示了直方图的绘制、全局直方图均衡化以及局部均衡化的效果。

复制代码

# 直方图均衡化：直方图均衡化是一种图像增强技术，它可以通过增加图像的对比度和亮度来改善图像的质量。
# 直方图均衡化通过将图像的像素值分布均匀化来实现这一目标。
# 在Python OpenCV中，可以使用cv2.equalizeHist()函数来实现直方图均衡化。
# 该函数将输入图像转换为灰度图像，并将其像素值分布均匀化，从而增强图像的对比度和亮度。
import cv2
import matplotlib.pyplot as plt
import numpy as np

woman = cv2.imread('face.jpg', cv2.IMREAD_GRAYSCALE)
# # # phone_hist = cv2.calcHist([phone], [0], None, [256], [0,256])
plt.hist(woman.ravel(), bins=256)#numpy中的ravel将数组多维度拉成一维数组
plt.show()

woman_equalize = cv2.equalizeHist(woman)
plt.hist(woman_equalize.ravel(), bins=256)#numpy中的ravel将数组多维度拉成一维数组
plt.show()

res = np.hstack((woman, woman_equalize))#横向拼接，将多个数组按水平方向(列顺序)堆叠成一个新的数组。
cv2.imshow('woman_equalize', res)
cv2.waitKey(0)
# # # 自适应直方图均衡化(局部直方图处理)，通过局部调整图像的直方图分布来提升图像的对比度和细节表现力，当需要保存细节特征，需要做局部处理
# # # cv2.createCLAHE([, clipLimit[, tileGridSize]]) → retval
# # # 参数说明：
# # # clipLimit：颜色对比度的阈值，可选项，默认值 8
# # # tileGridSize：局部直方图均衡化的模板（邻域）大小，可选项，默认值 (8,8)
clahe = cv2.createCLAHE(clipLimit=1, tileGridSize=(16, 16))#通过类创建了一个局部均衡化对象
woman_clahe = clahe.apply(woman)
res = np.hstack((woman, woman_equalize, woman_clahe))
cv2.imshow('phone_equalize', res)
cv2.waitKey(0)

代码解析

加载图像 ：

使用 cv2.imread(..., cv2.IMREAD_GRAYSCALE) 将图像读为灰度图，便于后续处理。
绘制原始直方图 ：
plt.hist(woman.ravel(), bins=256) 统计原始图像灰度分布。ravel() 将二维数组展平，便于统计。
全局均衡化 ：
cv2.equalizeHist(woman) 对整幅图像进行直方图均衡化，使直方图分布更均匀。
显示对比效果 ：
np.hstack((woman, woman_equalize)) 将原图和均衡化图横向拼接，方便观察效果。
局部均衡化（CLAHE）：
- clipLimit=1 限制对比度增强，防止噪声放大。
- tileGridSize=(16, 16) 将图像分为 16x16 小块，每块单独均衡化。
- clahe.apply(woman) 对原图应用局部均衡化。
最终显示三图对比 ：

左图：原始灰度图

中图：全局均衡化图

右图：局部均衡化图（对比度提升更明显，细节保留更好）

五、应用场景

医学影像：增强 X 光片、CT 图像的细节，使病灶更清晰；
工业检测：增强低对比度图像，提高缺陷检测的准确率；
夜间监控：提高暗光环境下图像可见性；
OCR 识别：提升文档对比度，减少噪声干扰，提高文字识别准确率。

六、总结

直方图是分析图像亮度分布的重要工具，而直方图均衡化能够有效提升图像对比度。

全局均衡化简单高效，但可能会损失局部细节；自适应直方图均衡化（CLAHE）通过分块处理，可以更好地保留局部细节，增强效果更自然。

通过本文及代码演示，可以直观理解直方图均衡化的原理与实际效果，掌握其在图像增强中的应用。

要不要我帮你画一张示意图，展示直方图均衡化前后灰度分布的变化（比如用两张直方图对比）？这样文章会更直观。