考虑一个图像，其像素值仅限于某些特定的值范围。例如，较亮的图像将所有像素限制在较高的值内。但是一个好的图像将有来自图像所有区域的像素。所以您需要将这个柱状图拉伸到两端（如下图所示，来自维基百科），这就是柱状图均衡的作用（简单来说）。这通常会提高图像的对比度。
1，(1)基于opencv的直方图均衡化
opencv有一个这样做的函数，cv2.equallehist（）。它的输入只是灰度图像，输出是我们的直方图均衡图像。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用法：
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) 
(2)基于 opencv 的限制对比度 自适应直方图均衡化（CLAHE）
们刚刚看到的第一个直方图均衡，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，下图显示了全局直方图均衡后的输入图像及其结果。
经过直方图均衡后，背景对比度确实有所改善。但比较两幅图像中雕像的脸。由于亮度过高，我们在那里丢失了大部分信息。这是因为它的柱状图并不局限于我们在前面的例子中看到的特定区域（尝试绘制输入图像的柱状图，你会得到更多的直觉）。
为了解决这一问题，采用了自适应直方图均衡。在这种情况下，图像被分成称为“tiles”的小块（在opencv中，tileSize默认为8x8）。然后，像往常一样，对每个块进行柱状图均衡。所以在一个小的区域，柱状图会限制在一个小的区域（除非有噪音）。如果有噪音，就会被放大。为了避免这种情况，应用对比度限制。如果任何一个柱状图bin高于指定的对比度限制（在opencv中默认为40），则在应用柱状图均衡之前，这些像素将被剪切并均匀分布到其他bin。均衡后，为了消除瓷砖边缘的伪影，采用双线性插值。
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)请参见下面的结果，并将其与上面的结果进行比较，尤其是雕像区域：
2，基于numpy的直方图均衡化
我们首先使用 numpy 画出一张图象的直方图
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()你可以看到直方图位于更亮的区域。我们需要全谱。为此，我们需要一个转换函数，将较亮区域中的输入像素映射为全区域中的输出像素。柱状图均衡就是这样做的。
现在我们找到最小直方图值（不包括0），并应用wiki页面中给出的直方图均衡方程。但我在这里使用过，来自numpy的蒙面数组概念数组。对于屏蔽数组，所有操作都在非屏蔽元素上执行。您可以从屏蔽数组上的numpy文档中了解更多关于它的信息。
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')现在我们有了一个查找表，它提供了关于每个输入像素值的输出像素值的信息。所以我们只应用转换。
img2 = cdf[img]另一个重要的特点是，即使图像是较暗的图像（而不是我们使用的较亮的图像），均衡后，我们将得到几乎与我们得到的图像相同的图像。因此，它被用作“参考工具”，使所有图像具有相同的照明条件。这在许多情况下都很有用。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，使其在相同的照明条件下都保持一致。