我们来看一个灰度图像，让
表示灰度
出现的次数，这样图像中灰度为 的像素的出现概率是
是图像中全部的灰度数，
是图像中全部的像素数, 
实际上是图像的直方图，归一化到 
。
把 
作为相应于 的累计概率函数, 定义为：
是图像的累计归一化直方图。
我们创建一个形式为 
的变化，对于原始图像中的每一个值它就产生一个 
，这样 的累计概率函数就能够在全部值范围内进行线性化，转换公式定义为：
注意 T 将不同的等级映射到 
域。为了将这些值映射回它们最初的域，须要在结果上应用以下的简单变换：
上面描写叙述了灰度图像上使用直方图均衡化的方法。可是通过将这样的方法分别用于图像RGB颜色值的红色、绿色和蓝色分量，从而也能够对彩色图像进行处理。
- Python: cv2.equalizeHist(src[, dst]) → dst
- C: void cvEqualizeHist(const CvArr* src, CvArr* dst)
-
Parameters: - src – Source 8-bit single channel image.
- dst – Destination image of the same size and type as src .
The function equalizes the histogram of the input image using the following algorithm:
- Calculate the histogram
for src . - Normalize the histogram so that the sum of histogram bins is 255.
- Compute the integral of the histogram:
- Transform the image using
as a look-up table: 
for src .
as a look-up table: 
The algorithm normalizes the brightness and increases the contrast of the image.
# -*- coding: utf-8 -*- #code:[email protected] import cv2 fn="test1.jpg" myimg=cv2.imread(fn) img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY) newimg=cv2.equalizeHist(img) cv2.imshow(‘src‘,img) cv2.imshow(‘dst‘,newimg) cv2.waitKey() cv2.destroyAllWindows()
本博客全部内容是原创，假设转载请注明来源
http://blog.csdn.net/myhaspl/
以下右图是经过增强化的图
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbXloYXNwbA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" />
直方图均衡化通经常使用来添加很多图像的全局对照度，尤其是当图像的实用数据的对照度相当接近的时候。
通过这样的方法，亮度能够更好地在直方图上分布。这样就能够用于增强局部的对照度而不影响总体的对照度
本博客全部内容是原创，假设转载请注明来源
http://blog.csdn.net/myhaspl/
以下部分代码验证实现了算法
# -*- coding: utf-8 -*-
#code:[email protected]
#直方图均衡化
import cv2
import numpy as np
fn="test5.jpg"
myimg=cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
h=img.shape[0]
w=img.shape[1]
newimg=np.zeros((h,w),np.uint8)
scount=0.0
#原始图像灰度级
scol={}
#目标图像灰度级
dcol={}
#原始图像频度
Ps={}
#累计概率
Cs={}
#统计原始图像灰度级
for m in xrange(h):
for n in xrange(w):
scol[img[m,n]]=scol.setdefault(img[m,n],0)+1
scount+=1
下图左为源图。右图为进行直方图均衡化后的图
