自己编写代码完成灰度直方图统计以及灰度直方图均衡化，提交jupyterlab文件 打开一张图时可以调用函数，在求平均值时就可以统计，pld统计结果显示

好的，我可以帮你回答这个问题。

要实现灰度直方图统计和均衡化，可以按照以下步骤进行：

1. 读取图像并将其转换为灰度图像。

2. 统计灰度直方图，即计算每个像素值的出现次数。

3. 计算累积分布函数（CDF），即对灰度直方图进行累加，并将其归一化为[0,1]范围内的值。

4. 计算灰度直方图均衡化后的像素值，即将CDF乘以灰度级数（通常为256），并将其四舍五入为整数。

5. 将均衡化后的像素值替换原始图像中的像素值并显示。

下面是Python代码实现：

import cv2
import numpy as np
import matplotlib.pyplot as plt

def histogram_equalization(img):
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 计算灰度直方图
    hist, bins = np.histogram(gray.flatten(), 256, [0, 256])
    
    # 计算累积分布函数
    cdf = hist.cumsum()
    cdf_normalized = cdf * hist.max() / cdf.max()
    
    # 计算均衡化后的像素值
    equalized = np.round(cdf_normalized[gray] * 255 / cdf_normalized.max()).astype(np.uint8)
    
    # 将均衡化后的像素值替换原始图像中的像素值
    result = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    for i in range(result.shape[0]):
        for j in range(result.shape[1]):
            result[i,j,0] = equalized[i,j]
            result[i,j,1] = equalized[i,j]
            result[i,j,2] = equalized[i,j]
    
    # 显示结果
    fig, axs = plt.subplots(1, 2, figsize=(10, 5))
    axs[0].imshow(img)
    axs[0].set_title('Original Image')
    axs[1].imshow(result)
    axs[1].set_title('Equalized Image')
    plt.show()

    return result

def histogram_statistics(img):
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 计算灰度直方图
    hist, bins = np.histogram(gray.flatten(), 256, [0, 256])
    
    # 绘制灰度直方图
    plt.figure(figsize=(10, 5))
    plt.hist(gray.flatten(), 256, [0, 256], color='r')
    plt.xlim([0, 256])
    plt.show()
    
    # 计算平均灰度值
    mean_gray = np.mean(gray)
    print('平均灰度值为：', mean_gray)
    
    return hist, mean_gray

你可以将这段代码保存为一个Python脚本文件并在JupyterLab中调用。

在JupyterLab中打开一张图像并调用`histogram_equalization`函数和`histogram_statistics`函数即可实现灰度直方图均衡化和灰度直方图统计，并显示均衡化前后的图像和灰度直方图，以及平均灰度值。