直方图均衡化及其变体原理、功能介绍与python代码实现

一、直方图均衡化基本原理介绍

1.1 基本原理

直方图均衡作为一种图像增强技术，主要通过重新分布图像的像素强度值，使图像的直方图更均匀分布，最终提高图像的对比度。

数学原理：对于灰度图像，变换函数为：

其中：

• r：原始图像的灰度
• s：变换后的灰度
• L：灰度总数（通常为256）
• n_i：灰度级i的像素
• N：图像总像素

1.2 主要功能与作用

• 提高图像对比度：使暗部更亮，亮部更暗
• 增强图像细节：使隐藏在暗区或亮区的细节更明显
• 图像预处理：为后续的图像分析、特征提取做好准备
• 视觉效果改善：使图像更清晰、更易于观察

二、直方图均衡化变体

2.1 自适应直方图均衡化（AHE）

原理：将图像分成小块，对每一块单独进行直方图均衡化

优点：更好的处理局部对比度

缺点：放大噪声，泛发性不足

2.2 限制对比度自适应直方图均衡化（CLAHE）

原理：在自适应直方图均衡化基础上限制对比度增强幅度，避免噪声过度被放大

优点：平衡对比度增强和噪声控制

应用：医学影像、低照度图像处理

2.3 彩色图像直方图均衡化

方法：

1. HSV空间处理：在V通道（亮度）进行均衡化
2. YCrCb空间处理：在Y通道（亮度）进行均衡化
3. Lab空间处理：在L通道（亮度）进行均衡化

三、代码实现

环境要求：（代码亲测有效，放心使用，根据需要适当修改即可哦！）：opencv-python、opencv-contrib-python、 numpy 、matplotlib

pip install opencv-python  opencv-contrib-python numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple/

Code：

import cv2import numpy as npimport matplotlib.pyplot as pltfrom matplotlib import rcParams# 设置中文字体rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']rcParams['axes.unicode_minus'] = Falsedef plot_images(images, titles, rows, cols, figsize=(15, 10)):    """绘制图像对比图"""    fig, axes = plt.subplots(rows, cols, figsize=figsize)    axes = axes.ravel() if rows * cols > 1 else [axes]    for idx, (img, title) in enumerate(zip(images, titles)):        ax = axes[idx]        if len(img.shape) == 2:  # 灰度图            ax.imshow(img, cmap='gray')        else:  # 彩色图            ax.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))        ax.set_title(title, fontsize=12)        ax.axis('off')    plt.tight_layout()    plt.show()def plot_histograms(images, titles):    """绘制直方图对比"""    fig, axes = plt.subplots(2, len(images), figsize=(15, 8))    for idx, (img, title) in enumerate(zip(images, titles)):        # 绘制图像        if len(img.shape) == 2:  # 灰度图            axes[0, idx].imshow(img, cmap='gray')            # 绘制直方图            axes[1, idx].hist(img.ravel(), 256, [0, 256], color='blue', alpha=0.7)        else:  # 彩色图            axes[0, idx].imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))            # 绘制RGB直方图            colors = ('b', 'g', 'r')            for i, color in enumerate(colors):                hist = cv2.calcHist([img], [i], None, [256], [0, 256])                axes[1, idx].plot(hist, color=color, alpha=0.7)        axes[0, idx].set_title(title, fontsize=12)        axes[0, idx].axis('off')        axes[1, idx].set_title(f'{title}直方图')        axes[1, idx].grid(True, alpha=0.3)    plt.tight_layout()    plt.show()def basic_histogram_equalization(img):    """基础直方图均衡化"""    # 应用直方图均衡化    img_eq = cv2.equalizeHist(img)    # 显示结果    images = [img, img_eq]    titles = ['原始图像', '均衡化后图像']    plot_images(images, titles, 1, 2)    plot_histograms(images, titles)    return img, img_eqdef clahe_implementation(img):    # 创建CLAHE对象    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))    # 应用CLAHE    img_clahe = clahe.apply(img)    # 对比普通均衡化和CLAHE    img_eq = cv2.equalizeHist(img)    images = [img, img_eq, img_clahe]    titles = ['原始图像', '普通均衡化', 'CLAHE']    plot_images(images, titles, 1, 3, figsize=(18, 6))    # 绘制直方图对比    plot_histograms(images, titles)    return img_clahedef color_image_histogram_equalization(img):    # 方法1：分别对每个通道均衡化（不推荐）    b, g, r = cv2.split(img)    b_eq = cv2.equalizeHist(b)    g_eq = cv2.equalizeHist(g)    r_eq = cv2.equalizeHist(r)    img_eq_channels = cv2.merge([b_eq, g_eq, r_eq])    # 方法2：转换到HSV/YCrCb空间，均衡化亮度通道    # HSV方法    img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)    h, s, v = cv2.split(img_hsv)    v_eq = cv2.equalizeHist(v)    img_hsv_eq = cv2.merge([h, s, v_eq])    img_eq_hsv = cv2.cvtColor(img_hsv_eq, cv2.COLOR_HSV2BGR)    # YCrCb方法    img_ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)    y, cr, cb = cv2.split(img_ycrcb)    y_eq = cv2.equalizeHist(y)    img_ycrcb_eq = cv2.merge([y_eq, cr, cb])    img_eq_ycrcb = cv2.cvtColor(img_ycrcb_eq, cv2.COLOR_YCrCb2BGR)    images = [img, img_eq_channels, img_eq_hsv, img_eq_ycrcb]    titles = ['原始彩色图像', '各通道分别均衡化', 'HSV空间V通道均衡化', 'YCrCb空间Y通道均衡化']    plot_images(images, titles, 2, 2, figsize=(15, 12))    return img_eq_ycrcbdef adaptive_histogram_equalization(img):    """自适应直方图均衡化演示"""    # 添加一些噪声    noise = np.random.normal(0, 10, img.shape).astype(np.uint8)    img = cv2.add(img, noise)    results = []    titles = []    # 不同参数的CLAHE    clahe_params = [        (2.0, (8, 8), "clipLimit=2.0, grid=(8,8)"),        (4.0, (8, 8), "clipLimit=4.0, grid=(8,8)"),        (2.0, (4, 4), "clipLimit=2.0, grid=(4,4)"),        (2.0, (16, 16), "clipLimit=2.0, grid=(16,16)"),    ]    results.append(img)    titles.append("原始图像")        for clip_limit, grid_size, title in clahe_params:        clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=grid_size)        img_clahe = clahe.apply(img)        results.append(img_clahe)        titles.append(f"CLAHE\n{title}")    plot_images(results, titles, 2, 3, figsize=(15, 10))def practical_example(img):    """实际应用示例"""    # 模拟低照度图像    # 1. 普通均衡化    img_eq = cv2.equalizeHist(img)    # 2. CLAHE    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))    img_clahe = clahe.apply(img)    # 3. Gamma校正（对比）    gamma = 0.5    img_gamma = np.uint8(((img / 255.0) ** gamma) * 255)    images = [img, img_eq, img_clahe, img_gamma]    titles = ['低照度图像', '直方图均衡化', 'CLAHE', 'Gamma校正(γ=0.5)']    plot_images(images, titles, 2, 2, figsize=(12, 10))def main():    """主函数"""    # 可根据需要对不同函数进行注释    # 设置图片路径    img = cv2.imread('data/datasets/JPEGImages/00F75605333_0730135838385.jpg')    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    # 1. 基础直方图均衡化    basic_histogram_equalization(gray)    # 2. CLAHE实现    clahe_implementation(gray)    # 3. 彩色图像处理    color_image_histogram_equalization(img)    # 4. 自适应均衡化参数调节    adaptive_histogram_equalization(gray)    # 5. 实际应用示例    practical_example(gray)if __name__ == "__main__":    main()