计算机视觉——Opencv（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。

实现方法：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。

一、导入相关库

python 复制代码

import cv2
import numpy as np
import matplotlib.pyplot as plt

二、读取图片并转化成灰度图

python 复制代码

black = cv2.imread(r"C:\Users\LEGION\Desktop\1267f39b0d164ab18ef783d5de65ebb4.jpg",cv2.IMREAD_GRAYSCALE)

三、绘制原始图像直方图

直观了解像素分布

python 复制代码

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

直方图是图像像素值的统计分布图，以灰度值（0~255）为横轴，以对应灰度值的像素点数量为纵轴，能够清晰地展示图像中暗像素、亮像素的分布比例，是我们判断图像对比度高低的重要依据。

运行结果：

四、全局直方图均衡化

简单高效的整体优化

python 复制代码

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

cv2.equalizeHist()：OpenCV 封装的全局直方图均衡化接口，该接口仅接收灰度图像（二维数组）作为输入参数，返回值为处理后的灰度图像

运行结果：

对比展示原始图像与全局均衡化图像

python 复制代码

#横向拼接两张图像（要求两张图像尺寸一致）
res =np.hstack((black,black_equalize))

# 显示拼接后的图像
cv2.imshow('black_equalize',res)
cv2.waitKey(0)

np.hstack()：NumPy 提供的横向拼接数组方法，能够将多个尺寸一致的数组沿水平方向拼接成一个新数组。

注意：拼接的多张图像必须具有相同的高度和通道数（本次均为灰度图像，通道数为 1），否则会拼接失败。

运行结果：

通过对比可以发现，全局直方图均衡化后的图像整体亮度明显提升，暗部细节得到了一定程度的展现，对比度相较于原始图像有了质的飞跃。

缺陷：如果图像中存在大面积的亮区或暗区（例如逆光拍摄的人脸、夜晚的天空），全局均衡化会过度放大这些区域的噪点，同时丢失大量细节 ------ 因为它将整个图像作为一个整体进行处理，无法兼顾局部区域的像素分布差异。

五、自适应直方图均衡化（CLAHE）

兼顾局部细节的优化方案

自适应直方图处理又叫局部直方图处理，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

python 复制代码

clahe = cv2.createCLAHE(clipLimit=10,tileGridSize=(8,8))#通过类创建了一个局部均衡化对象
black_clahe = clahe.apply(black)

# 横向拼接三张图像，对比展示效果
res = np.hstack((black,black_equalize,black_clahe))
cv2.imshow('black_equalize',res)
cv2.waitKey(0)

cv2.createCLAHE()：用于创建 CLAHE 对象，该方法有两个核心可选参数，也是影响自适应均衡化效果的关键：

clipLimit：对比度裁剪阈值，默认值为 8。该参数用于限制每个小区域的对比度，值越大，对比度提升越明显，但同时也越容易引入噪点；值越小，对比度提升越温和，细节保留越完整，适合噪点较多的图像。本次实战设置为 10，以获得更明显的局部对比度提升效果。
tileGridSize：小区域（瓦片）的网格大小，默认值为 (8, 8)，表示将整个图像分割成 8×8 的网格，即 64 个互不重叠的小区域。该参数的取值需要适中：网格过小，会增加计算量，同时容易产生块状伪影；网格过大，处理效果会接近全局直方图均衡化，无法体现局部优化的优势。

clahe.apply(black)：将创建好的 CLAHE 对象应用到原始灰度图像上，返回值为处理后的灰度图像。该方法会自动完成图像分割、局部均衡化、对比度裁剪和图像拼接等一系列操作，无需我们手动干预。

运行结果：

效果对比分析

通过对比可以清晰地发现：

原始图像：对比度偏低，细节模糊，暗部区域几乎无法分辨细节。
全局均衡化图像：整体对比度提升明显，但局部区域（如大面积暗部或亮部）细节丢失严重，噪点被过度放大。
自适应均衡化图像：不仅整体对比度得到了提升，局部细节也保留得非常完整，暗部的细微纹理和亮部的层次都能够清晰展现，同时没有明显的噪点放大问题，视觉效果远优于全局直方图均衡化。