目录
直方图均衡就是让图像的像素个数多的灰度级拉的更宽，对像素个数少的灰度级进行压缩，从而达到提高图像的对比度的目的。从直方图的直观效果来看，就是让y轴比较高的位置变矮向x轴方向膨胀，y轴比较矮的位置变高并在x轴方向压缩。
1、直方图均衡equalizeHist
equalizeHist()可以实现图像的直方图均衡，它是一种全局直方图均衡，考量的对象是整幅图像。
接口形式：
cv2.equalizeHist(src[, dst]) ->dst- 参数含义：
- src：输入图像，8bit单通道；
- dst：均衡后的输出图像，类型同src；
下面这个例子读入图像后做直方图均衡，然后对比其直方图：
import numpy as np
import matplotlib.pyplot as plt
import cv2
print('VX公众号: 桔子code / juzicode.com')
print('cv2.__version__:',cv2.__version__)
plt.rc('font',family='Youyuan',size='9')
plt.rc('axes',unicode_minus='False')
img_src = cv2.imread('..\\samples\\data\\fruits.jpg',0)
img_dst = cv2.equalizeHist(img_src)
histSize = 512
histRange = (0, 256)
hist_src = cv2.calcHist([img_src], [0], None, [histSize], histRange)
hist_dst = cv2.calcHist([img_dst], [0], None, [histSize], histRange)
#显示图像
fig,ax = plt.subplots(2,2)
ax[0,0].set_title('hist_src')
ax[0,0].plot(hist_src)
ax[0,1].set_title('hist_dst')
ax[0,1].plot(hist_dst)
ax[1,0].set_title('src')
ax[1,0].imshow(cv2.cvtColor( img_src, cv2.COLOR_BGR2RGB),'gray')
ax[1,1].set_title('dst')
ax[1,1].imshow(cv2.cvtColor(img_dst,cv2.COLOR_BGR2RGB),'gray')
#ax[0,0].axis('off');ax[0,1].axis('off');
ax[1,0].axis('off');ax[1,1].axis('off')#关闭坐标轴显示
plt.show() 运行结果：
从运行结果看，原来整体较暗的图像，经过直方图均衡后，整体要亮一些。这点也和直方图显示的效果是一样的，原图的直方图整体要偏左，而经过直方图均衡后的直方图在x轴上分布更均匀。
2、自适应直方图均衡createCLAHE
equalizeHist()方法是一种全局直方图均衡方法，在某些场合可能会导致原本对比度高的区域反而变得更低，像下面这个例子中原图上半部分的树叶对比度高，但是下半部分对比度低，如果使用equalizeHist()方法得到的图片如下图右下部分所示：
直方图均衡处理后虽然树叶下半部分的细节都呈现出来了 ，但是上半部分却因为过亮导致丢失了很多细节。
CLAHE是对比度抑制自适应直方图均衡（Contrast Limited Adaptive Histogram Equalization）的简称，不同于普通的直方图均衡，它是一种局部直方图均衡方法。
调用接口分2步，先创建实例，再调用apply()方法：
cv2.createCLAHE([, clipLimit[, tileGridSize]]) ->retval
dst=retval.apply(src)- 参数含义：
- clipLimit：对比对限制阈值，默认为40；
- tileGridSize：直方图均衡的栅格尺寸，输入图像将会按照该尺寸分隔后进行局部直方图均衡，默认是8×8大小；
- src：输入图像，8bit单通道；
- dst：均衡后的输出图像，类型同src；
下面这个例子将普通直方图均衡和自适应直方图均衡做对比：
import numpy as np
import matplotlib.pyplot as plt
import cv2
print('VX公众号: 桔子code / juzicode.com')
print('cv2.__version__:',cv2.__version__)
plt.rc('font',family='Youyuan',size='9')
plt.rc('axes',unicode_minus='False')
img_src = cv2.imread('..\\samples\\picture\\leaf2.jpeg',0)
#普通直方图均衡
img_dst = cv2.equalizeHist(img_src)
#自适应直方图均衡
clahe = cv2.createCLAHE(clipLimit=5.0, tileGridSize=(8,8))
img_dst_clahe = clahe.apply(img_src)
histSize = 256
histRange = (0, 256)
hist_src = cv2.calcHist([img_src], [0], None, [histSize], histRange)
hist_dst = cv2.calcHist([img_dst], [0], None, [histSize], histRange)
hist_dst_clahe = cv2.calcHist([img_dst_clahe], [0], None, [histSize], histRange)
#显示图像
fig,ax = plt.subplots(2,3)
ax[0,0].set_title('hist_src')
ax[0,0].plot(hist_src)
ax[0,1].set_title('hist_dst')
ax[0,1].plot(hist_dst)
ax[0,2].set_title('hist_dst_clahe')
ax[0,2].plot(hist_dst_clahe)
ax[1,0].set_title('img_src')
ax[1,0].imshow(cv2.cvtColor( img_src, cv2.COLOR_BGR2RGB),'gray')
ax[1,1].set_title('img_dst')
ax[1,1].imshow(cv2.cvtColor(img_dst,cv2.COLOR_BGR2RGB),'gray')
ax[1,2].set_title('img_dst_clahe')
ax[1,2].imshow(cv2.cvtColor(img_dst_clahe,cv2.COLOR_BGR2RGB),'gray')
#ax[0,0].axis('off');ax[0,1].axis('off');
ax[1,0].axis('off');ax[1,1].axis('off');ax[1,2].axis('off')#关闭坐标轴显示
plt.show() 运行结果：
从运行结果可以看到，使用自适应直方图均衡后，不但树叶下半部分的细节呈现出来了 ，而且上半部分的细节也得到了保留。