1.概念

直方图均衡化 主要用于增强动态范围偏小的图像的反差。 直方图均衡化借助灰度统计直方图和灰度累积直方图来进行。灰度统计直方图反映了图像中不同灰度级的像素的个数；灰度累积直方图 反映了图像中灰度级小于或等于某值的像素的个数。

1.1基本思想：

把原图像的直方图转换为均匀分布的形式，增加像素灰度值的动态范围，增强图像整体对比度。

1.2算法步骤：

(1) 列出原始图像的灰度级k，k=0,1,2,…,L-1，L为灰度级的数量；

(2) 列出原始图像第k级灰度值的归一化表达形式sk；

(3) 统计各灰度级的像素数目nk，k = 0,1,2,…,L-1；

(4) 得到灰度统计直方图的归一化概率表达形式：ps(sk)=nk/N；

(5) 基于累积分布函数计算灰度累积直方图：

(6) 进行取整扩展，计算映射后输出图像各灰度级对应灰度值的归一化表达形式tk：

tk = INT((L-1)E(sk)+0.5)/255

其中，INT为取整函数；

(7) 确定映射关系sk→tk；

(8) 统计映射后各灰度级的像素数目nk；

(9) 得到新的灰度统计直方图的归一化概率表达形式：pt(tk)=nk/N，N为输出图像的像素数目，即原始图像的像素数目。

具体步骤的操作方法如表1-1所示。

表1-1直方图均衡化计算列表

2.用python实现直方图均衡化

在python中可以用cv2.equalizeHist()函数对图像进行直方图均衡化；用cv2.calcHist()函数统计图像各个灰度级的像素点个数。函数的参数：

cv2.calcHist(image, channels, mask, histSize, ranges, accumulate)

函数中各个参数含义如下：

1. image：读入图像，该参数需用“[ ]”括起来。

2. channels：通道编号，如果读入的图像是单通道灰度图像，则此参数值为[0]；对于读入的彩色图像，其值可为[0]、[1]、[2]分别对应通道B、G、R。该参数需用“[ ]”括起来。

3. mask：掩模图像，当统计图像某一区域的直方图时，需要设置该值；当统计整幅图的直方图时，此值设为None。

4. histSize：BINS值，该参数需用“[ ]”括起来。

5. ranges：像素值范围，例如，8位灰度图的像素值范围是[0，256]。

6. accumulate：累计标识，默认为False。如果被设置为True，则直方图在开始计算时不会被清零，计算的是多个直方图的累积结果，用于对一组图像计算直方图。该参数允许从多个对象中计算单个直方图，或者实时更新直方图。该参数是可选的，一般情况下不需要设置。

在python中实现图像均衡化的例子如下：

总结

1.直方图均衡化的优点：

能够增强整个图像的对比度。

2.直方图均衡化的缺点：

（1）增强效果不易控制，处理的结果总是得到全局均匀化的直方图。

（2）均衡化图像的动态范围扩大了，本质上是扩大了量化间隔，但量化级别（灰度级）反而减少了，导致某些细节消失。

（3）某些图像，若直方图有高峰，经处理后对比度可能过分增强。

（4）导致出现伪轮廓。原来灰度不同的像素经过处理后可能变得相同，形成了一片相同灰度的区域，各区域之间有明显的边界，从而出现了伪轮廓。