目录

一、直方图

 1、计算并显示直方图

2、使用matplotlib方法绘制直方图（不划分小的子区间）

3、使用opencv的方法绘制直方图 （划分16个小的子亮度区间）

4、绘制彩色图像的直方图，将各个通道的直方图值都画出来

二、直方图均衡化

（1）绘制原图的直方图

 （2）绘制经过直方图均衡化后的图片的直方图

（3）自适应直方图均衡化(局部直方图处理)

三、直方图均衡化的应用

1. 增强图像对比度

2. 提升图像视觉效果

3. 统一图像灰度分布

4. 适用于低对比度图像

总结

---

一、直方图

直方图：是图像中像素强度分布的图形表达方式，统计各个强度像素值的个数。

直方图的作用：例如视频中。通过标记帧和帧之间显著的边缘和颜色的统计变化，来检测视频中场景的变换。

灰度值在0 - 255范围之间总共 256 个值，可以将我们的范围划分为子部分（称为bins），例如我们可以将这些像素亮度值划分为16个区间值，【0，15】、【16，31】，这两个就是两个亮度区间，它表示会统计亮度值在0到15的所有像素点的个数。

 1、计算并显示直方图

cv2.calcHist(images,channels,mask,histSize,ranges)  计算图像的直方图,用于表示图像中像素灰度级别的分布情况.
images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]

channels: 表示传入的图像通道数。如果输入图像是灰度图它的值就是 [0]。
          如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。

mask: 掩模图像。统计整幅图像的直方图就把它为None。但是如果你想统计图像某一部分的直方图，你就制作一个掩模图像并使用它。

histSize:BINS的数目。也需用中括号括来   （分成多少个区间）
  BINS ：上面的直方图显示了每个像素值的像素数，即从0到255。即您需要256个值才能显示上述直方图。
      但是请考虑一下，如果您不需要单独查找所有像素值的像素数，而是在像素值间隔内查找像素数，
      例如，您需要找到介于 0 到 15 之间的像素数，然后是 16 到 31、32到47...、240 到 255。
      您只需要 16 个值来表示直方图。
因此，只需将整个直方图拆分为 16 个子部分，每个子部分的值就是其中所有像素计数的总和。
这每个子部分都称为"BIN"。在第一种情况下，条柱数为256（每个像素一个），而在第二种情况下，它只有16。BINS 在 OpenCV 文档中由术语histSize表示。

ranges: 像素值范围常为 [0 256]

2、使用matplotlib方法绘制直方图（不划分小的子区间）

 这里使用了 numpy 的 ravel 函数，将多维数组拉成一维数组。

img =cv2.imread('../data/310.jpg',cv2.IMREAD_GRAYSCALE)# 转成一维
a=img.ravel()# 使用 matplotlib 的 hist 函数绘制直方图。
plt.hist(a,bins=256)
plt.show()# 参数解释：
# - a：一维数组，即图像的像素值组成的数组。
# - bins=256：指定直方图的条数，即灰度级的数量。

效果：可以看出下面结果中有0~256的亮度值的统计情况 

 

3、使用opencv的方法绘制直方图 （划分16个小的子亮度区间）

#这里的calcHist参数在上面有介绍，这里是对img图片做直方图统计，采用灰度图，即零通道，未设置掩膜，划分为16个区间，亮度值统计[0，256]的值
phone_hist = cv2.calcHist([img],[0],None,[16],[0,256])
plt.plot(phone_hist)#使用calcHist的值绘制曲线图
plt.show()

效果，统计的值为每个亮度区间内属于该亮度值的像素点个数

4、绘制彩色图像的直方图，将各个通道的直方图值都画出来

img=cv2.imread('zl.jpg')
color=('b','g','r')    #设置绘制的折线图每条线的颜色
for i,col in enumerate(color):    #依次遍历三个颜色通道histr=cv2.calcHist([img],[i],None,[256],[0,256])    #依次计算每个通道的直方图值plt.plot(histr,color=col)    #绘制折线图
plt.show()

效果:分别统计了不同颜色通道下的直方图

二、直方图均衡化

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。下面是将不均衡的直方图均衡化之后的结果。

（1）绘制原图的直方图

woman = cv2.imread('ja.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()

 可以看出图像的亮度值集中在50左右

 

 （2）绘制经过直方图均衡化后的图片的直方图

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

与原图对比，直方图均衡化是对全局做均衡化，这使亮度值很大的像素点增多了，表现在图像上就是图像整体变亮。 

 

（3）自适应直方图均衡化(局部直方图处理)

普通直方图均衡化（HE）通过全局灰度变换增强对比度，但对噪声敏感且可能过度放大局部噪声（如暗部噪声）。自适应直方图均衡化（AHE） 将图像划分为多个子块（tiles），对每个子块独立进行直方图均衡化，从而实现局部对比度增强，避免全局均衡化的缺陷。

改进版：限制对比度的自适应直方图均衡化（CLAHE, Contrast-Limited AHE）：在 AHE 基础上，通过设定灰度值裁剪阈值（clip limit），防止子块内噪声或纹理被过度增强，是实际应用中更常用的方法。

主要优点

• 局部对比度增强：针对不同区域的局部特征调整对比度，适合光照不均或局部细节丰富的图像（如医学影像、卫星图像）。
• 抑制噪声放大：通过裁剪阈值（clip limit）限制子块内直方图的峰值，避免噪声或纹理被过度增强。
• 保留细节与自然感：相比全局均衡化，CLAHE 在增强局部细节的同时，减少过增强导致的伪影（如棋盘效应）。

函数：cv2.createCLAHE([, clipLimit[, tileGridSize]]) 

参数说明：
clipLimit：设定子块内直方图均衡化时的灰度值裁剪阈值，单位为 “像素数 / 面积”（即每个灰度级允许的最大像素数密度）。可选项，默认值 8
titleGridSize：设定子块的大小（行数 × 列数），单位为像素。可选项，默认值 (8,8)。

• titleGridSize取值影响：
  • 较小尺寸（如 4x4）：局部细节增强更精细，但计算量增加，可能引入棋盘效应（需通过插值缓解）。
  • 较大尺寸（如 16x16）：局部处理更粗糙，适合全局对比度增强需求，减少分块边界的影响。

创建一个自适应直方图对像，并将上面的woman这张图像传入

clahe = cv2.createCLAHE(clipLimit=1, tileGridSize=(16,16))#通过类创建了一个局部均衡化对象
phone_clahe = clahe.apply(woman)
plt.hist(phone_clahe.ravel(), bins=256)#numpy中的ravel将数组多维度拉成一维数组
plt.show()

自适应直方图均衡化则是划分子块均衡化会减少分块边界的影响。 

 使用hstack（）函数水平堆叠上面的三张图片用于对比，直方图均衡化与自适应直方图均衡化的区别

• hstack（hconcat）：水平堆叠，沿列方向扩展。
• vstack（vconcat）：垂直堆叠，沿行方向扩展（对应函数为 np.vstack 和 cv2.vconcat）。

res = np.hstack((woman,phone_equalize,phone_clahe))
cv2.imshow('phone_equalize',res)
cv2.waitKey(0)

 从左到右依次是原图、直方图均衡化、自适应直方图均衡化

三、直方图均衡化的应用

1. 增强图像对比度

• 原理：将图像中原本集中的灰度范围 “拉伸” 到更宽的动态范围，使图像中不同灰度级的像素分布更均匀（直方图趋于平坦）。
• 效果：让原本对比度低、细节模糊的图像（如暗部过暗或亮部过亮）变得更清晰，暗部和亮部的细节更容易分辨。
• 示例：在医学影像（如 X 光片）中，均衡化可增强组织间的对比度，便于医生观察病灶。

2. 提升图像视觉效果

• 通过均衡化，图像中原本难以区分的灰度区域（如相近的明暗过渡）会变得层次分明，整体视觉效果更自然。

• 例如：修复老照片时，均衡化可改善因曝光不足或过度导致的细节丢失。

3. 统一图像灰度分布

• 将图像的灰度直方图调整为近似均匀分布，使像素灰度值覆盖更广泛的范围。
• 这为后续的图像处理任务（如图像分割、特征提取、模式识别等）提供更优质的输入，提升算法效果。

4. 适用于低对比度图像

• 特别适合处理因光照不均、传感器噪声等导致对比度低下的图像（如阴天拍摄的照片、卫星遥感图像），通过均衡化恢复图像细节。

总结

直方图均衡化通过重新分配像素的灰度值，将图像的动态范围最大化利用，使图像从 “对比度不足” 转变为 “层次丰富”，是图像处理中基础且高效的增强手段。其本质是通过数学变换（累积分布函数，CDF）实现灰度的非线性映射，从而优化视觉效果和后续处理的可行性。