图像增强——直方图均衡

• 变换公式
• 直方图均衡化推导
• 例子
• 直方图均衡化步骤
• 代码实现
• 直方图均衡应用

直方图均衡化在图像处理领域中运用非常广泛,而且非常简单易实现。
首先我们了解一下什么是图像的直方图：
请参考这篇博客：
直方图介绍

灰度直方图抛弃了原灰度图像的空间位置信息，反映了某一像素值在灰度图中出现的频率或者概率信息。
应用场景：图像整体较暗，细节部分不够突出。

于是这里我们引入——直方图均衡化的方法，希望按照一定的变换公式，将原图映射到新图，使得新图在原图的基础上，直方图分布更加均匀，这样图像的明暗分布更加均匀，给人的视觉效果就是对比度好，细节清晰。

灰度变换后图像直方图是变换前直方图与变换函数导数之比

1.统计灰度级中每个像素在整幅图像中的个数

2.计算每个灰度级占图像中的概率分布

3.计算累积分布概率

4.计算均衡化之后的灰度值(累积分布概率x（最大灰度级-1）)

5.映射回原来像素的坐标的像素值

import cv2
import matplotlib.pyplot as plt
import numpy as np

image1 = cv2.imread('./picture_files/1.png',0)
image_1 = cv2.equalizeHist(image1)

plt.figure()
plt.subplot(221)
plt.imshow(image1, cmap='gray')

plt.subplot(222)
plt.hist(image1.flatten(),256,width=1.5)
plt.subplot(223)
plt.imshow(image_1, cmap='gray')
plt.subplot(224)
plt.hist(image_1.flatten(),256,width=1.5)
plt.show()

人脸识别预处理：