python直方圖均衡
『壹』 一文搞懂直方圖均衡
根據 維基網路 上的定義, 直方圖均衡(Histogram Equalization)是圖像處理領域中利用直方圖對對比度進行調整的方法.
顧名思義, 直方圖均衡是將直方圖的分布(概率密度)調整為均勻分布.
根據資訊理論, 信息的熵越大, 包含的信息也就越多, 熵的計算公式如下:
只有當 均勻分布時, 熵的值最大. 對應到圖像上, 當圖像直方圖均勻分布時, 圖像對比度最大. 如下圖所示:
藍色為原始圖像直方圖, 綠色為均衡後直方圖, 對應的處理後的圖像為:
可以看到, 直方圖均衡處理後, 圖像變得更加清晰了.
知道了為什麼, 就要知道怎麼做. 一般直方圖均值有以下幾個步驟:
式中, , 分別為圖像的高和寬, 表示灰度值為 的像素的個數, 為變換後的灰度值, 為映射函數, 計算過程使用了累計直方圖.
知道怎麼做了, 就要知道為什麼可以這么做. 這里解釋下為啥可以這么做, 即公式(3)是怎麼得到的.
設原始直方圖分為為
均衡化後的直方圖分布為
映射函數為
這里映射函數必須為單調遞增函數, 滿足:
即對應區域間內像素點的總數是一樣的, 如下圖紅色區域所示:
將公式(4)代入公式(5), 則有:
因而, 可以得到:
對應的離散形式為公式(3).
直方圖均衡過度的強調了灰度個數的重要性, 對數量多的灰度過度的進行了增強, 而圖像中, 比例比不是很多的灰度往往更重要, 因而改進的方向就是減少數量多的灰度的影響, 我這里想到的有 3 種方法:
這3種方法的映射關系曲線如下所示:
從圖中可以看到, 原始的直方圖均衡後圖像最亮, 如下所示為幾種方法的結果對比, 依次為原圖, 原始直方圖, 改進0, 改進1, 改進2:
可以看到, 直方圖可以改善圖像整體的質量, 但對於某些局部圖像, 則由於直方圖的性質導致過亮或者過暗.
這里總結下直方圖均衡化的優缺點:
『貳』 圖像直方圖均衡化
一. 直方圖均衡化：
直方圖均衡化是使圖像直方圖變得平坦的操作。直方圖均衡化能夠有效地解決圖像整體過暗、過亮的問題，增加圖像的清晰度。
具體流程如下所示。其中S是總的像素數，Zmax是像素的最大取值(8位灰度圖像為255)，h(i)為圖像像素取值為 i 及 小於 i 的像素的總數。
二. python實現直方圖均衡化操作
import cv2
import numpy as np
import matplotlib.pyplot as plt
# histogram equalization
def hist_equal(img, z_max=255):
H, W = img.shape
S = H * W * 1.
out = img.()
sum_h = 0.
for i in range(1, 255):
ind = np.where(img == i)
sum_h += len(img[ind])
z_prime = z_max / S * sum_h
out[ind] = z_prime
out = out.astype(np.uint8)
return out
# Read image
img = cv2.imread("../head_g_n.jpg",0).astype(np.float)
# histogram normalization
out = hist_equal(img)
# Display histogram
plt.hist(out.ravel(), bins=255, rwidth=0.8, range=(0, 255))
plt.show()
plt.savefig("out_his.png")
# Save result
cv2.imshow("result", out)
cv2.imwrite("out.jpg", out)
cv2.waitKey(0)
cv2.destroyAllWindows()
三. 實驗結果：
可以看到，直方圖均衡化後的圖像看起來比原來的圖像更加清晰。對於圖像亮度整體偏暗或者偏亮的圖像，我們可以採用直方圖均衡化的方法處理圖像，使得它們看上去更加清晰。
四. matlab 實現圖像直方圖均衡化：
可以參考一篇優秀的博文： https://blog.csdn.net/Ibelievesunshine/article/details/79961027
五. 參考內容：
https://www.cnblogs.com/wojianxin/p/12510797.html
https://blog.csdn.net/Ibelievesunshine/article/details/104922449
『叄』 直方圖均衡化
直方圖均衡化的作用是圖像增強。其過程是將圖像的像素分布通過一種方法映射到另外一種分布上去，在該映射過程中主要使用了累積分布函數。累積分布函數用於描述隨機變數的概率分布（F(x)=P(X<x)）,該函數是遞增的，並且值域分布范圍是0-1，假如我們要處理的圖像是灰度圖，它的像素值分布在0-255，可以與0-1對應起來。因此使用累積分布函數按照某種方法來映射可以保證原來的大小關系不變，較亮的區域，依舊是較亮的，較暗依舊暗，只是對比度增大，絕對不會明暗顛倒。
先來看一個實例。
假設有如下圖像：
得圖像的統計信息如下圖所示，並根據統計信息完成灰度值映射：
映射後的圖像如下所示：
由上述實例我們可以看到，將像素值轉換為另一個像素值，並且原來的大小關系並沒有改變，但是直畫出方圖的話，會發現直方圖變緩了。
1、聲明原圖和目標圖以及窗體名稱:Declare the source and destination images as well as the windows names:
2、載入源圖像:Load the source image:
3、轉為灰度圖:Convert it to grayscale:
4、利用函數 equalizeHist 對上麵灰度圖做直方圖均衡化:Apply histogram equalization with the function cv::equalizeHist :
可以看到, 這個操作的參數只有源圖像和目標 (均衡化後) 圖像.As it can be easily seen, the only arguments are the original image and the output (equalized) image。
5、顯示這兩個圖像 (源圖像和均衡化後圖像) :Display both images (original and equalized) :
6、等待用戶案件退出程序Wait until user exists the program
1、為了更好地觀察直方圖均衡化的效果, 我們使用一張對比度不強的圖片作為源圖像輸入, 如下圖:To appreciate better the results of equalization, let's introce an image with not much contrast, such as:
它的直方圖為:which, by the way, has this histogram:
注意到像素大多集中在直方圖中間的強度上.notice that the pixels are clustered around the center of the histogram.
2、使用常式進行均衡化後, 我們得到下面的結果After applying the equalization with our program, we get this result:
這幅圖片顯然對比度更強. 再驗證一下均衡化後圖片的直方圖this image has certainly more contrast. Check out its new histogram like this:
注意到現在像素在整個強度范圍內均衡分布Notice how the number of pixels is more distributed through the intensity range.
zhlifly@ OpenCV中文網站 < [email protected] >
直方圖均衡化的數學原理
『肆』 數字圖像處理Python實現圖像灰度變換、直方圖均衡、均值濾波
import CV2
import
import numpy as np
import random
使用的是pycharm
因為最近看了《銀翼殺手2049》，裡面Joi實在是太好看了所以原圖像就用Joi了
要求是灰度圖像，所以第一步先把圖像轉化成灰度圖像
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
第一個任務是利用分段函數增強灰度對比，我自己隨便寫了個函數大致是這樣的
def chng(a):
if a < 255/3:
b = a/2
elif a < 255/3*2:
b = (a-255/3)*2 + 255/6
else:
b = (a-255/3*2)/2 + 255/6 +255/3*2
return b
rows = img.shape[0]
cols = img.shape[1]
cover = .deep(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
下一步是直方圖均衡化
# histogram equalization
def hist_equal(img, z_max=255):
H, W = img.shape
# S is the total of pixels
S = H * W * 1.
out = img.()
sum_h = 0.
for i in range(1, 255):
ind = np.where(img == i)
sum_h += len(img[ind])
z_prime = z_max / S * sum_h
out[ind] = z_prime
out = out.astype(np.uint8)
return out
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
在實現濾波之前先添加高斯雜訊和椒鹽雜訊（代碼來源於網路）
不知道這個椒鹽雜訊的名字是誰起的感覺隔壁小孩都饞哭了
用到了random.gauss()
percentage是雜訊佔比
def GaussianNoise(src,means,sigma,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
NoiseImg[randX, randY]=NoiseImg[randX,randY]+random.gauss(means,sigma)
if NoiseImg[randX, randY]< 0:
NoiseImg[randX, randY]=0
elif NoiseImg[randX, randY]>255:
NoiseImg[randX, randY]=255
return NoiseImg
def PepperandSalt(src,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
if random.randint(0,1)<=0.5:
NoiseImg[randX,randY]=0
else:
NoiseImg[randX,randY]=255
return NoiseImg
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
下面開始均值濾波和中值濾波了
就以n x n為例，均值濾波就是用這n x n個像素點灰度值的平均值代替中心點，而中值就是中位數代替中心點，邊界點周圍補0；前兩個函數的作用是算出這個點的灰度值，後兩個是對整張圖片進行
#均值濾波模板
def mean_filter(x, y, step, img):
sum_s = 0
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 > img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 > img.shape[1]:
sum_s += 0
else:
sum_s += img[k][m] / (step*step)
return sum_s
#中值濾波模板
def median_filter(x, y, step, img):
sum_s=[]
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 > img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 > img.shape[1]:
sum_s.append(0)
else:
sum_s.append(img[k][m])
sum_s.sort()
return sum_s[(int(step*step/2)+1)]
def median_filter_go(img, n):
img1 = .deep(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = median_filter(i, j, n, img)
return img1
def mean_filter_go(img, n):
img1 = .deep(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = mean_filter(i, j, n, img)
return img1
完整main代碼如下：
if __name__ == "__main__":
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
rows = img.shape[0]
cols = img.shape[1]
cover = .deep(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
meanimg3 = mean_filter_go(covereqps, 3)
CV2.imwrite('medimg3.png', meanimg3)
meanimg5 = mean_filter_go(covereqps, 5)
CV2.imwrite('meanimg5.png', meanimg5)
meanimg7 = mean_filter_go(covereqps, 7)
CV2.imwrite('meanimg7.png', meanimg7)
medimg3 = median_filter_go(covereqg, 3)
CV2.imwrite('medimg3.png', medimg3)
medimg5 = median_filter_go(covereqg, 5)
CV2.imwrite('medimg5.png', medimg5)
medimg7 = median_filter_go(covereqg, 7)
CV2.imwrite('medimg7.png', medimg7)
medimg4 = median_filter_go(covereqps, 7)
CV2.imwrite('medimg4.png', medimg4)
『伍』 Python：這有可能是最詳細的PIL庫基本概念文章了
PIL有如下幾個模塊：Image模塊、ImageChops模塊、ImageCrackCode模塊、ImageDraw模塊、ImageEnhance模塊、ImageFile模塊、ImageFileIO模塊、ImageFilter模塊、ImageFont模塊、ImageGrab模塊、ImageOps模塊、ImagePath模塊、ImageSequence模塊、ImageStat模塊、ImageTk模塊、ImageWin模塊、PSDraw模塊
啊啊啊啊怎麼這么多模塊啊~~~！！！！
別擔心我為你一一講解
Image模塊提供了一個相同名稱的類，即image類，用於表示PIL圖像。
Image模塊是PIL中最重要的模塊 ，比如創建、打開、顯示、保存圖像等功能，合成、裁剪、濾波等功能，獲取圖像屬性功能，如圖像直方圖、通道數等。
Image模塊的使用如下：
ImageChops模塊包含一些算術圖形操作，這些操作可用於諸多目的，比如圖像特效，圖像組合，演算法繪圖等等，通道操作只用於8點陣圖像。
ImageChops模塊的使用如下：
由於圖像im_p是im的復制過來的，所以它們的差為0，圖像im_diff顯示時為黑圖。
ImageCrackCode模塊允許用戶檢測和測量圖像的各種特性。 這個模塊只存在於PIL Plus包中。
因為我目前安裝的PIL中沒有包含這個模塊。所以就不詳細介紹了
ImageDraw模塊為image對象提供了基本的圖形處理功能。 例如，它可以創建新圖像，注釋或潤飾已存在圖像，為web應用實時產生各種圖形。
ImageDraw模塊的使用如下：
在del draw前後顯示出來的圖像im是完全一樣的，都是在原有圖像上畫了兩條對角線。
原諒我的報錯
ImageEnhance模塊包括一些用於圖像增強的類。它們分別為 Color類、Brightness類、Contrast類和Sharpness類。
ImageEnhance模塊的使用如下：
圖像im0的亮度為圖像im的一半。
ImageFile模塊為圖像打開和保存功能提供了相關支持功能。另外，它提供了一個Parser類，這個類可以一塊一塊地對一張圖像進行解碼（例如，網路聯接中接收一張圖像）。這個類的介面與標準的sgmllib和xmllib模塊的介面一樣。
ImageFile模塊的使用如下：
因為所打開圖像大小大於1024個byte，所以報錯：圖像不完整。
所以大家想看的可以自行去找一個小一點的圖看一下
ImageFileIO模塊用於從一個socket或者其他流設備中讀取一張圖像。 不贊成使用這個模塊。 在新的code中將使用ImageFile模塊的Parser類來代替它。
ImageFilter模塊包括各種濾波器的預定義集合，與Image類的filter方法一起使用。該模塊包含這些圖像增強的濾器：BLUR，CONTOUR，DETAIL，EDGE_ENHANCE，EDGE_ENHANCE_MORE，EMBOSS，FIND_EDGES，SMOOTH，SMOOTH_MORE和SHARPEN。
ImageFilter模塊的使用如下：
ImageFont模塊定義了一個同名的類，即ImageFont類。這個類的實例中存儲著bitmap字體，需要與ImageDraw類的text方法一起使用。
PIL使用自己的字體文件格式存儲bitmap字體。用戶可以使用pilfont工具包將BDF和PCF字體描述器（Xwindow字體格式）轉換為這種格式。
PIL Plus包中才會支持矢量字體。
ImageGrab模塊用於將屏幕上的內容拷貝到一個PIL圖像內存中。 當前的版本只在windows操作系統上可以工作。
ImageGrab模塊的使用如下：
圖像im顯示出筆記本當前的窗口內容，就是類似於截圖的工具
ImageOps模塊包括一些「ready-made」圖像處理操作。 它可以完成直方圖均衡、裁剪、量化、鏡像等操作 。大多數操作只工作在L和RGB圖像上。
ImageOps模塊的使用如下：
圖像im_flip為圖像im垂直方向的鏡像。
ImagePath模塊用於存儲和操作二維向量數據。Path對象將被傳遞到ImageDraw模塊的方法中。
ImagePath模塊的使用如下：
ImageSequence模塊包括一個wrapper類，它為圖像序列中每一幀提供了迭代器。
ImageSequence模塊的使用如下：
後面兩次show()函數調用，分別顯示第1張和第11張圖像。
ImageStat模塊計算一張圖像或者一張圖像的一個區域的全局統計值。
ImageStat模塊的使用如下：
ImageTk模塊用於創建和修改BitmapImage和PhotoImage對象中的Tkinter。
ImageTk模塊的使用如下：
這個是我一直不太懂的有沒有大佬能幫我解決一下在線等~急！
PSDraw模塊為Postscript列印機提供基本的列印支持。用戶可以通過這個模塊列印字體，圖形和圖像。
PIL中所涉及的基本概念有如下幾個： 通道（bands）、模式（mode）、尺寸（size）、坐標系統（coordinate system）、調色板（palette）、信息（info）和濾波器（filters）。
每張圖片都是由一個或者多個數據通道構成。PIL允許在單張圖片中合成相同維數和深度的多個通道。
以RGB圖像為例，每張圖片都是由三個數據通道構成，分別為R、G和B通道。而對於灰度圖像，則只有一個通道。
對於一張圖片的通道數量和名稱，可以通過getbands()方法來獲取。getbands()方法是Image模塊的方法，它會返回一個字元串元組（tuple）。該元組將包括每一個通道的名稱。
Python的元組與列表類似，不同之處在於元組的元素不能修改,元組使用小括弧，列表使用方括弧，元組創建很簡單，只需要在括弧中添加元素，並使用逗號隔開即可。
getbands()方法的使用如下：
圖像的模式定義了圖像的類型和像素的位寬。當前支持如下模式：
1：1位像素，表示黑和白，但是存儲的時候每個像素存儲為8bit。
L：8位像素，表示黑和白。
P：8位像素，使用調色板映射到其他模式。
I：32位整型像素。
F：32位浮點型像素。
RGB：3x8位像素，為真彩色。
RGBA：4x8位像素，有透明通道的真彩色。
CMYK：4x8位像素，顏色分離。
YCbCr：3x8位像素，彩色視頻格式。
PIL也支持一些特殊的模式，包括RGBX（有padding的真彩色）和RGBa（有自左乘alpha的真彩色）。
可以通過mode屬性讀取圖像的模式。其返回值是包括上述模式的字元串。
mode 屬性 的使用如下：
通過size屬性可以獲取圖片的尺寸。這是一個二元組，包含水平和垂直方向上的像素數。
mode屬性的使用如下：
PIL使用笛卡爾像素坐標系統，坐標(0，0)位於左上角。注意：坐標值表示像素的角；位於坐標（0，0）處的像素的中心實際上位於（0.5，0.5）。
坐標經常用於二元組（x，y）。長方形則表示為四元組，前面是左上角坐標。例如：一個覆蓋800x600的像素圖像的長方形表示為（0，0，800，600）。
調色板模式 ("P")使用一個顏色調色板為每個像素定義具體的顏色值
使用info屬性可以為一張圖片添加一些輔助信息。這個是字典對象。載入和保存圖像文件時，多少信息需要處理取決於文件格式。
info屬性的使用如下：
對於將多個輸入像素映射為一個輸出像素的幾何操作，PIL提供了4個不同的采樣濾波器：
NEAREST：最近濾波。 從輸入圖像中選取最近的像素作為輸出像素。它忽略了所有其他的像素。
BILINEAR：雙線性濾波。 在輸入圖像的2x2矩陣上進行線性插值。注意：PIL的當前版本，做下采樣時該濾波器使用了固定輸入模板。
BICUBIC：雙立方濾波。 在輸入圖像的4x4矩陣上進行立方插值。注意：PIL的當前版本，做下采樣時該濾波器使用了固定輸入模板。
ANTIALIAS：平滑濾波。 這是PIL 1.1.3版本中新的濾波器。對所有可以影響輸出像素的輸入像素進行高質量的重采樣濾波，以計算輸出像素值。在當前的PIL版本中，這個濾波器只用於改變尺寸和縮略圖方法。
注意：在當前的PIL版本中，ANTIALIAS濾波器是下采樣 （例如，將一個大的圖像轉換為小圖） 時唯一正確的濾波器。 BILIEAR和BICUBIC濾波器使用固定的輸入模板 ，用於固定比例的幾何變換和上采樣是最好的。Image模塊中的方法resize()和thumbnail()用到了濾波器。
resize()方法的定義為：resize(size, filter=None)=> image
resize()方法的使用如下：
對參數filter不賦值的話，resize()方法默認使用NEAREST濾波器。如果要使用其他濾波器可以通過下面的方法來實現：
thumbnail ()方法的定義為：im.thumbnail(size, filter=None)
thumbnail ()方法的使用如下：
這里需要說明的是，方法thumbnail()需要保持寬高比，對於size=(200,200)的輸入參數，其最終的縮略圖尺寸為(182， 200)。
對參數filter不賦值的話，方法thumbnail()默認使用NEAREST濾波器。如果要使用其他濾波器可以通過下面的方法來實現：
『陸』 圖像處理的Python問題，怎麼解決
imtools.py裡面也要有numpy 的引用才對
def histeq(im,nbr_bins=256):
"""對一幅灰度圖像進行直方圖均衡化"""
#計算圖像的直方圖
imhist,bins = histogram(im.flatten(),nbr_bins,normed=True)
cdf = imhist.cumsum() #累計分布函數
cdf = 255 * cdf / cdf[-1] #歸一化
#使用累計分布函數的線性插值，計算新的像素
im2 = interp(im.flatten(),bins[:-1],cdf)
return im2.reshape(im.shape),cdf
以上代碼我定義在imtools.py文件里並且放在了python2.7里
然後我在num.py里引用他
Python code?
1
2
3
4
5
6
7
8
9
10
from PIL import Image
from pylab import *
from numpy import *
import imtools
im= array(Image.open('E:\\daima\\pydaima\\shijue\\tupian1\\gang2.jpg').convert('L'))
im2,cdf =imtools.histeq(im)
出現以下錯誤：
Traceback (most recent call last):
File "<pyshell#56>", line 1, in <mole>
a=imtools.histeq(im)
File "E:\daima\pydaima\shijue\imtools.py", line 32, in histeq
NameError: global name 'histogram' is not defined
『柒』 直方圖均衡化
想像一下，如果一副圖像中的大多是像素點的像素值都集中在一個像素值范圍之內會怎樣呢？例如，如果一幅圖片整體很亮，那所有的像素值應該都會很高。但是一副高質量的圖像的像素值分布應該很廣泛。所以你應該把它的直方圖做一個橫向拉伸（如下圖），這就是直方圖均衡化要做的事情。通常情況下，這種操作會改善圖像的對比度。
這種方法通常用來增加許多圖像的全局 對比度 ，尤其是當圖像的有用數據的對比度相當接近的時候。通過這種方法， 亮度 可以更好地在直方圖上分布。這樣就可以用於增強局部的對比度而不影響整體的對比度，直方圖均衡化通過有效地擴展常用的亮度來實現這種功能。
這種方法對於背景和前景都太亮或者太暗的圖像非常有用，這種方法尤其是可以帶來 X光 圖像中更好的 骨骼 結構顯示以及曝光過度或者曝光不足 照片 中更好的細節。這種方法的一個主要優勢是它是一個相當直觀的技術並且是 可逆 操作，如果已知均衡化 函數 ，那麼就可以恢復原始的直方圖，並且計算量也不大。這種方法的一個缺點是它對處理的數據不加選擇，它可能會增加背景 雜訊 的對比度並且降低有用 信號 的對比度。
我們先來看看相應的直方圖和累積直方圖，然後使用 OpenCV 進行直方圖均衡化。
我們可以看出來直方圖大部分在灰度值較高的部分，而且分布很集中。而我們希望直方圖的分布比較分散，能夠涵蓋整個 x 軸。所以，我們就需要一個變換函數幫助我們把現在的直方圖映射到一個廣泛分布的直方圖中，這就是直方圖均衡化。
**限制對比度自適應性直方圖均衡化 CLAHE **
在上邊做的直方圖均衡化會改變整個圖像的對比度，但是在很多情況下，這樣做的效果並不好。的確在進行完直方圖均衡化之後，圖片背景的對比度被改變了。但是你再對比一下兩幅圖像中雕像的面圖，由於太亮我們丟失了很多信息。
原理：
為了解決這個問題，我們需要使用自適應的直方圖均衡化 CLAHE (Contrast Limited Adaptive Histogram Equalization)。這種情況下，整幅圖像會被分成很多小塊，這些小塊被稱為「tiles」（在 OpenCV 中 tileGridSize默認是 8x8），然後再對每一個小塊分別進行直方圖均衡化（跟前面類似）。所以在每一個的區域中，直方圖會集中在某一個小的區域中（除非有雜訊干擾）。如果有雜訊的話，雜訊會被放大。為了避免這種情況的出現，要使用對比度限制。
CLAHE中，每一個像素鄰域都要進行對比度限制，從而得到對應的變換函數，被用來降低AHE中雜訊的增強，這主要是通過限制AHE中的對比度增強來實現的。像素周圍鄰域雜訊的增強主要是由變換函數的斜率造成的，由於像素鄰域的雜訊與鄰域的CDF成正比，因此也與鄰域直方圖在該中心像素位置的值成正比，CLAHE之所以能夠限制對比度，是因為它在計算鄰域的CDF之前在指定閾值處對直方圖進行了修剪，如下圖所示，這一做法不僅限制了CDF的斜率，也限制了變換函數的斜率，其中對直方圖進行切割所使用的閾值，被稱作修剪限制度（clip limit），這個參數不僅依賴於直方圖的歸一化，而且依賴於像素鄰域的size大小，通常設為3到4之間。
對於每個小塊來說，如果直方圖中的 bin 超過對比度的上限的話，就把其中的像素點均勻分散到其他 bins 中，然後在進行直方圖均衡化。最後，為了去除每一個小塊之間「人造的」（由於演算法造成）邊界，再使用雙線性差值，與原圖做圖層濾色混合操作（可選）。
實現：
參考文獻：
網址： 直方圖均衡化
Adaptive_histogram_equalization
書籍：《數字圖像處理》《OpenCV-Python 中文教程》
『捌』 數字圖像處理:直方圖均衡化
首先在直方圖的修整,有兩種方法,一種是直方圖均衡化,另外一種是直方圖規定化,用起來的話第一種方法用的比較多,這里著重說一下第一種:直方圖均衡化.
我們引入直方圖,很大程度上是可以根據直方圖的形態來去判斷圖像的質量,比如根據下圖所示,會很快發現一張圖片是過亮還是過暗,這篇文章會說一下直方圖均衡化的原理,至於實現,以後有機會再說吧.
1.直方圖均衡化
直方圖均衡化是將原圖像通過某種變換，得到一幅灰度直方圖為均勻分布的新圖像的方法。
直方圖均衡化方法的基本思想是對在圖像中像素個數多的灰度級進行展寬，而對像素個數少的灰度級進行縮減。從而達到清晰圖像的目的。
一些理論的東西我們不談,直接用一個例子來說一下,會更容易理解:
假設有一幅圖像，共有64×64個像素，8個灰度級，各灰度級概率分布見下表 ，試將其直方圖均勻化。
解題步驟:
1:確定圖像的灰度級
在實際情況下,如果我們的圖像是彩色,需要將其轉換為灰度圖像,其中的灰度級一般是0-255,這個題的灰度級只有8級,需要注意下
2:計算原始直方圖的概率
統計每一個灰度在原始圖像上的像素所佔總體的比例,記為Pi
3:計算直方圖概率的累加值S(i)
直到最後一個灰度級,總和為1
4: 根據公式求取像素映射關系.
這里的pix是指的灰度級,也就是(最大灰度級-最小灰度級)*累加概率+0.5後取整數
5: 灰度映射
找到了原圖像和均衡化圖像灰度的對應關系，對原圖進行操作，將每個像素映射成新的像素
此時圖像均衡化已經完成，當然你也可以再次統計灰度概率，觀察一下結果。
『玖』 python opencv怎麼對彩圖進行直方圖均衡化
在某些情況下，一副圖像中大部分像素的強度都集中在某一區域，而質量較高的圖像中，像素的強度應該均衡的分布。為此，可將表示像素強度的直方圖進行拉伸，將其平坦化
『拾』 直方圖均衡化步驟
這個足夠了 有問題再留言
clear all
%一，圖像的預處理，讀入彩色圖像將其灰度化
PS=imread('s7.jpg'); %讀入JPG彩色圖像文件 ，注意路徑
figure(1);subplot(2,2,1);imshow(PS);title('原圖像灰度圖');
%二，繪制直方圖
[m,n]=size(PS); %測量圖像尺寸參數
GP=zeros(1,256); %預創建存放灰度出現概率的向量
for k=0:255
GP(k+1)=length(find(PS==k))/(m*n); %計算每級灰度出現的概率，將其存入GP中相應位置
end
figure(1);subplot(2,2,2);bar(0:255,GP,'g') %繪制直方圖
title('原圖像直方圖')
xlabel('灰度值')
ylabel('出現概率')
%三，直方圖均衡化
S1=zeros(1,256);
for i=1:256
for j=1:i
S1(i)=GP(j)+S1(i); %計算Sk
end
end
S2=round((S1*256)+0.5); %將Sk歸到相近級的灰度
for i=1:256
GPeq(i)=sum(GP(find(S2==i))); %計算現有每個灰度級出現的概率
end
figure(1);subplot(2,2,4);bar(0:255,GPeq,'b') %顯示均衡化後的直方圖
title('均衡化後的直方圖')
xlabel('灰度值')
ylabel('出現概率')
%四，圖像均衡化
PA=PS;
for i=0:255
PA(find(PS==i))=S2(i+1); %將各個像素歸一化後的灰度值賦給這個像素
end
figure(1);subplot(2,2,3);imshow(PA) %顯示均衡化後的圖像
title('均衡化後圖像')
imwrite(PA,'PicEqual.bmp');