对已知图像squirrel.jpg进行直方图均衡化处理以改善图像效果，请根据直方图均衡化原理，自行编写代码，实现同时绘制原始图像，原始图像直方图，均衡化后的图像和均衡化后图像的直方图。 提示： 1、本实验需要用到ndimage图像处理模块，该模块包含于用于科学计算的库scipy，在使用前需要进行导入，其中median_filter ()函数可实现中值滤波，使用方法为ndimage.median_filter（noiseimg,(n,n)）该函数的参数为两个：数组和过滤器大小 2、本实验中用到的数据图像可以从数字图像处理包内导入，也可以自行下载图片素材，自带数据位于skimage数字图像处理包中的 data数据库中，util包，util是通用函数，用到一些图片处理的操作函数时,需要导入对应的子模块,random_noise()函数可以模拟噪声，其使用方法为util.random_noise(img, mode='s&p',seed=None, clip=True), 3、若需要采用自己的图片数据，请导入cv2计算机视觉库，并用imread()读入图像数据。读入的图像若为彩色图像，可以先进行灰度转换，转换函数为cvtColor()，再增加噪声并利用中值滤波算法进行滤波

好的，以下是Python代码实现直方图均衡化处理并绘制图像：

import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage
from skimage import io, color

# 读入图片数据
img = io.imread('squirrel.jpg')
# 转换为灰度图像
img_gray = color.rgb2gray(img)

# 计算原始图像直方图
hist, bins = np.histogram(img_gray.ravel(), bins=256)

# 进行直方图均衡化
img_eq = np.interp(img_gray, bins[:-1], np.cumsum(hist) / np.sum(hist))
# 将像素值限制在0-1范围内
img_eq = np.clip(img_eq, 0, 1)

# 计算均衡化后图像直方图
hist_eq, bins_eq = np.histogram(img_eq.ravel(), bins=256)

# 绘制原始图像、原始图像直方图、均衡化后的图像和均衡化后的图像直方图
fig, ax = plt.subplots(nrows=2, ncols=2, figsize=(10, 10))

ax[0, 0].imshow(img_gray, cmap='gray')
ax[0, 0].set_title('Original Image')

ax[0, 1].hist(img_gray.ravel(), bins=256)
ax[0, 1].set_title('Original Image Histogram')

ax[1, 0].imshow(img_eq, cmap='gray')
ax[1, 0].set_title('Equalized Image')

ax[1, 1].hist(img_eq.ravel(), bins=256)
ax[1, 1].set_title('Equalized Image Histogram')

plt.show()

注：以上代码使用了Scipy、Matplotlib和Scikit-image等Python库。