目标
在本节中，
- 我们将学习直方图均衡的概念，并使用它来改善图像的对比度。
理论
考虑其像素值仅限于某一特定值范围的图像。例如，更亮的图像将所有像素限制在高值。但是一个好的图像会有来自图像所有区域的像素。因此，您需要将这个直方图扩展到两端，而这就是直方图均衡化所做的事情(用简单的话来说)。这通常会改善图像的对比度。
这里我们将看到它的Numpy实现。之后，我们将看到OpenCV函数。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('wiki.jpg',0)
hist,bins = np.histogram(img.flatten(),256,[0,256])
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max()/ cdf.max()
plt.plot(cdf_normalized, color = 'b')
plt.hist(img.flatten(),256,[0,256], color = 'r')
plt.xlim([0,256])
plt.legend(('cdf','histogram'), loc = 'upper left')
plt.show()
你可以看到直方图在较亮的区域。我们需要全谱。为此，我们需要一个转换函数，将较亮区域的输入像素映射为全区域的输出像素。这就是直方图均衡化的作用。
现在，我们找到了最小直方图值(不包括0)，并应用了在wiki页面中给出的直方图均衡方程。但是我在这里使用了来自Numpy的蒙面数组概念数组。对于mask数组，所有操作都是对非mask元素执行的。
cdf_m = np.ma.masked_equal(cdf,0)
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
cdf = np.ma.filled(cdf_m,0).astype('uint8')现在我们有了查找表，它为我们提供了关于每个输入像素值的输出像素值的信息。所以我们只需要应用变换。
img2 = cdf[img]现在，我们像以前一样计算它的直方图和cdf，结果如下所示：
另一个重要的特点是，即使图像是一个更暗的图像(而不是一个更亮的)，在均衡后，我们将得到几乎相同的图像。因此，这被用作一个“参考工具”，使所有的图像具有相同的照明条件。这在许多情况下是有用的。例如，在人脸识别中，在对人脸数据进行训练之前，对人脸图像进行直方图均衡化，使它们都具有相同的光照条件。
OpenCV中的直方图均衡
OpenCV有这样的功能，cv2.equalizeHist()。其输入为灰度图像，输出为直方图均衡化图像。
下面是一个简单的代码片段，显示了它对我们使用的相同图像的使用情况：
img = cv2.imread('wiki.jpg',0)
equ = cv2.equalizeHist(img)
res = np.hstack((img,equ)) #stacking images side-by-side
cv2.imwrite('res.png',res)
所以现在你可以在不同的光照条件下拍摄不同的图像，对其进行均衡并检查结果。
当图像直方图被限制在特定区域时，直方图均衡是很好的。在直方图覆盖一个大区域(即亮像素和暗像素都存在)的情况下，在灰度变化较大的地方，它将不能很好地工作。
对比度有限自适应直方图均衡
我们刚刚看到的第一个直方图均衡化，考虑了图像的全局对比度。在许多情况下，这不是一个好主意。例如，下面的图像显示了输入图像及其在全局直方图均衡化后的结果。
经过直方图均衡化后，背景对比度确实有所改善。但是比较一下这两幅图像中雕像的脸。由于亮度过高，我们失去了大部分信息。这是因为它的直方图并不像我们以前看到的那样局限于特定的区域。
所以为了解决这个问题，自适应直方图均衡被利用了。在此中，图像被划分为称为“Tiles”的小块(在OpenCV中，tileSize是8x8)。然后像往常一样对这些块进行直方图均衡化。因此，在一个小区域，直方图将限制在一个小的区域(除非有噪音)。如果有噪音，它就会被放大。为了避免这种情况，对比度限制被应用。如果任何直方图bin超过指定的对比度限制(在OpenCV中默认为40)，则在应用直方图均衡化之前，这些像素被裁剪并均匀分布到其他回收箱。均衡后，采用双线性插值方法去除边界上的伪影。
下面的代码片段显示了如何在OpenCV中应用CLAHE：
import numpy as np
import cv2
img = cv2.imread('tsukuba_l.png',0)
# create a CLAHE object (Arguments are optional).
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
cv2.imwrite('clahe_2.jpg',cl1)请参阅下面的结果，并将其与上面的结果进行比较，特别是雕像区域：
