Python+OpenCV实战：5分钟搞定图片直方图均衡化（附完整代码）

Python+OpenCV实战：5分钟搞定图片直方图均衡化（附完整代码）

直方图均衡化，这个名字听起来有点学术，但在图像处理的世界里，它就像给照片做一次“光线大扫除”。想象一下，你手机里那些在昏暗环境下拍摄、看起来灰蒙蒙的照片，或者因为逆光导致人脸一片漆黑的合影。直方图均衡化就是解决这类问题的“一键增强”利器。它不依赖复杂的参数调整，核心思想清晰，实现起来也相当直接，是每个想踏入计算机视觉领域的Python开发者绕不开的经典操作。

对于刚接触OpenCV的朋友来说，直接调用cv2.equalizeHist()函数可能只需要一行代码。但知其然更要知其所以然。这篇文章，我将带你从零开始，不仅快速上手使用OpenCV的现成函数，还会亲手从数学原理出发，实现一个自定义的均衡化函数。我们会对比两种方式的效果，探讨其中的细微差异，并分享一些在实际项目中应用时的心得和避坑指南。无论你是想快速完成一个课程作业，还是希望在某个图像预处理环节中应用此技术，这里都有你需要的干货。

1. 直方图均衡化：原理与直觉

在深入代码之前，我们得先搞明白，直方图均衡化到底在做什么。简单来说，它试图重新分配图像中像素的灰度值，使得整个灰度范围（通常是0-255）被更均匀地使用。

一张图像的直方图，就是统计每个灰度级出现了多少次。如果一张照片对比度很低，比如大部分像素都集中在中间灰度区域（100-150），那么它的直方图就会像一座集中在中部的“小山”。直方图均衡化的目标，就是把这座“小山”推平、拉宽，让它尽可能均匀地铺满从0到255的整个区间。

注意：这个过程是“全局性”的。它基于整张图像的统计信息进行变换，因此对图像的整体亮度分布改变较大。

其背后的数学可以概括为以下几个步骤：

1. 计算概率密度：统计图像中每个灰度级 i 出现的像素数量 n_i，然后计算其出现的概率 p(i) = n_i / N，其中 N 是图像总像素数。这其实就是归一化的直方图。
2. 计算累积分布函数：计算累积概率 c(i) = sum(p(0) + p(1) + ... + p(i))。这个 c(i) 是一个从0单调递增到1的函数。
3. 映射变换：将累积分布函数 c(i) 映射回目标灰度范围。对于8位图像（灰度值0-255），新的灰度值 new_i = round(255 * c(i))。

这个过程的核心在于累积分布函数 c(i)。因为它单调递增，所以变换不会打乱像素间的明暗顺序；因为它将原始分布映射到整个0-1范围，所以实现了输出直方图的“展平”。

一个直观的例子对比：