OpenCV图像处理(十七)---图像直方图均衡化

欧姆定律是指在同一电路中，通过某段导体的电流跟这段导体两端的电压成正比，跟这段导体的电阻成反比。该定律是由德国物理学家乔治·西蒙·欧姆1826年4月发表的《金属导电定律的测定》论文提出的。

随研究电路工作的进展，人们逐渐认识到欧姆定律的重要性，欧姆本人的声誉也大大提高。为了纪念欧姆对电磁学的贡献，物理学界将电阻的单位命名为欧姆，以符号Ω表示。

前言

在上一期的文章中，我们学习了图像的直方图绘制，了解到直方图其实就是对图像像素值数量-大小分布的一个统计图，它能够描述图像中像素值的分布情况。今天，我们将继续学习图像的新知识--直方图均衡化。

一、直方图均衡化介绍

还记得之前我们讲到的直方图均衡化吗？简单地说，使得图像的像素值尽量分布均匀，而不是高低差落较大，这样的好处是，能够更好的观察图像的细节部分，形成鲜明的对比度。咱们接着往下看！

1.1 原始图像

（原始图像十分的灰蒙，图中目标对比度也较低，不能很好地进行观察）

1.2 代码实践

# -*- coding:utf-8 -*-
# 导入cv库
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 导入原始图像,色彩空间为灰度图
src_img = cv2.imread('src_img.png', 0)
# 调用cv2.calcHist 函数绘制直方图
# 每个参数的意思在上期文章已讲述，请回顾
img_hist = cv2.calcHist([src_img], [0], None, [256], [0, 256])

# 直方图均衡化,调用cv2.equalizeHist 函数实心
result_img = cv2.equalizeHist(src_img)
# 显示原始图像
cv2.imshow('src_img', src_img)  
# 显示均衡化后的图像
cv2.imshow('result_img', result_img)  
cv2.waitKey(0)


# 用蓝色绘制原始图像直方图
plt.plot(img_hist, color="b")
plt.show()

# 绘制均衡化后的直方图
plt.hist(result_img.ravel(), 256, [0, 256])
plt.show()

代码解读：代码中用到了cv2.equalizeHist 函数，该函数的作用是对目标图像进行均衡化，可以看到，该函数的参数只用到了一个，整个原始图像的灰度数据，因此该均衡化是对全局均衡化，当然，我们可以选择摸某一个区域进行均衡化。后面的代码主要是对原始图像和均衡化图像的直方图进行显示，针对原始图像，我们已经计算出了直方图，因此直接进行plt.plot(img_hist, color="b")显示，针对均衡化后的图像，由于我们并没有计算直方图，因此采用图像数据。ravel的方式进行显示。

1.3 效果演示

1）均衡化后的图像

（可以看到，均衡化后的图像比之前的图像在对比度上提升了很多，色彩变得充实了起来，便于我们进一步观察图像的某个目标）

2）原始图像直方图

（可以看到，原始图像的直方图像素值分布不均匀，且像素值范围多集中在100-200区域，不能很好地表示图像细节，也就是为啥它代表的图像看起来不丰富，细节不清晰了。）

3）均衡化后的直方图

（可以看到，均衡化后的图像较之前像素值分布较为均匀，像素值的范围几乎都分布了像素）

结语

今天的分享结束了，我们主要对直方图的均衡化进行了知识讲解和代码实践，均衡化主要是调用了opencv的函数实现，较为简单，但是，具体实际项目是，为了不对全局造成变化，仅仅对目标区域进行操作时，我们要进行ROI区域选择，特定性针对才能提高项目速度，此外，今天的代码使用的图像时是灰度图，大家可以使用彩色图做直方图均衡化，那样看起来会更加丰富且具有色彩空间感，代码与今天的也差不多，期待大家熟练今天的内容，用到以后的实际项目中。我们下期再见。

编辑：玥怡居士|审核：小圈圈居士