全局直方图均衡化算法Python代码

是全局直方图均衡化算法的Python代码：

import cv2

# 读取图像
img = cv2.imread('image.jpg', 0)

# 全局直方图均衡化
equ = cv2.equalizeHist(img)

# 显示原图和均衡化后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Equalized Image', equ)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，`cv2.imread('image.jpg', 0)`用于读取灰度图像，`cv2.equalizeHist(img)`用于进行全局直方图均衡化，`cv2.imshow()`用于显示图像，`cv2.waitKey(0)`用于等待用户按下任意键，`cv2.destroyAllWindows()`用于关闭所有窗口。

相关问题

图像直方图均衡化处理python

### 使用 Python 进行图像直方图均衡化的两种方法

#### 方法一：使用 OpenCV 库实现直方图均衡化

对于灰度图像，可以利用 `cv2.equalizeHist()` 函数轻松完成直方图均衡化操作[^1]。

import cv2

# 加载灰度图像
img_gray = cv2.imread('image_path', 0)

# 执行直方图均衡化
equ = cv2.equalizeHist(img_gray)

# 显示原始图像与处理后的对比效果
cv2.imshow('Original Image', img_gray)
cv2.imshow('Equalized Image', equ)
cv2.waitKey(0)
cv2.destroyAllWindows()

针对彩色图像，则需先将其转换到 YUV 或 LAB 颜色空间再做均衡化处理，因为直接对 RGB 各通道分别均衡化可能会改变颜色分布。下面展示的是基于 YUV 色彩模型的操作方式：

import numpy as np
import cv2

# 加载彩色图像
img_bgr = cv2.imread('color_image.jpg')

# 将 BGR 图像转为 YUV 彩色空间
yuv_img = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2YUV)

# 对亮度分量应用直方图均衡化
yuv_img[:,:,0] = cv2.equalizeHist(yuv_img[:,:,0])

# 把经过处理的 YUV 图像重新转化为 BGR 格式用于显示/保存
equalized_bgr = cv2.cvtColor(yuv_img, cv2.COLOR_YUV2BGR)

# 展示原图和增强后的结果
cv2.imshow('Original Color Image', img_bgr)
cv2.imshow('Enhanced Color Image via Histogram Equalization', equalized_bgr)
cv2.waitKey(0)
cv2.destroyAllWindows()

#### 方法二：采用 PIL (Pillow) 实现自定义直方图均衡化逻辑

虽然 Pillow 并未内置专门用来执行全局直方图均衡化的功能，但可以通过手动计算累积概率密度函数(CDF)，进而映射新的像素值来达到相同目的[^2]。

from PIL import Image
import numpy as np

def histeq(im,nbr_bins=256):
    """ 对一幅灰度图像进行直方图均衡化 """
    
    # 获取图像的直方图
    imhist,bins = np.histogram(im.flatten(),nbr_bins,density=True)
    cdf = imhist.cumsum() # 计算累计分布函数
    cdf = 255 * cdf / cdf[-1] # 正则化
    
    # 利用插值得到新像素值
    im2 = np.interp(im.flatten(),bins[:-1],cdf)
    
    return im2.reshape(im.shape), cdf

# 打开并加载一张测试图片
im = Image.open('test_image.png').convert('L') # 确保输入为单通道灰度模式
im_array = np.array(im)

# 应用自制直方图均衡化算法
new_im_array,_ = histeq(im_array)

# 创建一个新的Image对象以便于查看修改前后的差异
result_im = Image.fromarray(new_im_array.astype(np.uint8))
result_im.show()

# 可选地保存输出文件
result_im.save('output_hist_equlized.png')

直方图均衡化去雾算法和夜间图像增强

### 直方图均衡化去雾算法

直方图均衡化是一种常见的图像增强技术，尤其适用于提升低对比度图像的可见度。对于雾天图像而言，全局直方图均衡化能够显著改善整体亮度分布，使得原本因雾霾而变得模糊不清的对象更加清晰[^1]。

然而，当应用于复杂的场景时，特别是那些具有多变景深的地方，这种方法可能会遇到困难——即难以很好地保留细粒度的信息（比如建筑物上的窗户或近处的小型物体）。这是因为全局调整可能过度拉伸某些区域内的像素值变化范围，造成过曝或其他失真现象[^4]。

为了克服上述局限性并更好地适应不同环境下的需求，可以考虑采用局部直方图均衡化策略。此方法通过分块处理的方式对每一小片区域单独执行均衡操作，从而能够在一定程度上缓解由单一全局参数设定所带来的负面影响。不过需要注意的是，这样做也会引入新的挑战，例如可能出现边界伪影等问题，并且计算成本会有所增加[^5]。

#### 夜间图像增强实现方法

针对夜间的特殊情况，由于光照条件极差，简单的直方图均衡化往往不足以获得满意的结果。此时可结合其他手段来进一步优化：

- **自适应伽玛校正**：根据不同位置的实际亮度情况动态调节伽马值，使暗区变得更亮而不至于让亮区饱和。

- **多尺度融合**：利用多个分辨率层次上的信息互补特性来进行综合处理，既能强化微弱信号又能抑制噪声干扰。

- **基于Retinex理论的方法**：模拟人类视觉系统的响应机制，分离反射成分与照明因素的影响，进而重建更真实的色彩感知效果[^2]。

import cv2
import numpy as np

def adaptive_gamma_correction(img, gamma=1.0):
    invGamma = 1.0 / gamma
    table = np.array([((i / 255.0) ** invGamma) * 255 for i in range(256)]).astype("uint8")
    return cv2.LUT(img, table)

# Example usage with an image loaded using OpenCV (cv2.imread())
night_image = cv2.imread('path_to_night_image.jpg')
enhanced_image = adaptive_gamma_correction(night_image, gamma=2.2)