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

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)