直方圖均衡化是使用圖像直方圖進行對比度調整的圖像處理的方法。

該方法通常會增加許多圖像的整體對比度，尤其是當圖像的可用數據由接近的對比度值表示時。 通過這種調整，強度可以更好地分布在直方圖上。 這允許局部對比度較低的區域獲得較高的對比度。 直方圖均衡化通過有效地分散最頻繁的強度值來實現這一點。

實現原理參考自直方圖均衡（維基百科）

第一種是自己寫的，消耗時間長。第二種參考自opencv-python的直方圖均衡

import cv2
import numpy as np


def equalizationByLoop(img):
    a, b = img.shape
    flatten 
 
= np.reshape(img, [-1, ])
    img_list = flatten.tolist()

    # 獲取出現的灰度值
    img_set = np.unique(img)
    img_set = np.sort(img_set)
    
    # 獲取灰度值出現次數
    cdf = []
    for i in img_set:
        cdf.append(img_list.count(i))
    cdf = np.array(cdf)
    
    # 累積分布函數和計算均衡化
    cdf = np.cumsum(cdf)
    cdf_min 
 
= np.min(cdf)
    cdf = (cdf-cdf_min)/(len(img_list)-cdf_min)*255
    
    # 獲取新圖像 
    for x in range(a):
        for y in range(b):
            index = np.argwhere(img_set == img[x][y])
            img[x][y] = cdf[index]
    return img


def equalizationByNumpy(img):
    hist, bins = np.histogram(img.flatten(), 256, [0, 256])
    
 
# hist是亮度值出現次數的統計
    cdf = hist.cumsum()
    # cdf是出現次數的累積分布函數
    # 如果高灰度值沒有次數，但累計分布函數會把它加入。但最後在索引生成新圖像時舍去

    # 均衡化處理
    cdf_m = np.ma.masked_equal(cdf, 0)
    cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
    cdf = np.ma.filled(cdf_m, 0).astype(‘uint8‘)

    # 生成新圖像
    img2 = cdf[img]
    
    return img2


def main():
    img = cv2.imread(‘leno.jpg‘, cv2.IMREAD_GRAYSCALE)
    new_img = np.copy(img)
    # 處理時間長
    # new_img = equalizationByLoop(new_img)
    new_img = equalizationByNumpy(new_img)
    cv2.imshow(‘img‘, img)
    cv2.imshow(‘new img‘, new_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


if __name__ == ‘__main__‘:
    main()  

灰度直方圖均衡化----python實現