理论：
一张像素值被限制在一个特定值范围内的图像，比如，亮图被限制所有像素都是亮值。但是一个好的图片应该是有所有范围的像素。所以我们需要把histogram拉伸到两端，这就是histogram均衡。这个一般是用来提升图片的对比度。
我会建议你阅读wikipedia
http://en.wikipedia.org/wiki/Histogram_equalization
我们这里看Numpy的实现，之后，会看OpenCV的函数。
import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('wiki.jpg',0)
hist,bins = np.histogram(img.flatten(),256,[0,256])
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max()/ cdf.max()plt.plot(cdf_normalized, color = 'b')
plt.hist(img.flatten(),256,[0,256], color = 'r')
plt.xlim([0,256])
plt.legend(('cdf','histogram'), loc = 'upper left')
plt.show()
你可以看到histogram在高亮区域，我们需要全范围的，为了这个目的，我们需要一个转换函数来把高亮区的像素映射到全范围的像素。这就是histogram均衡做的。
现在我们找到了最小的histogram值然后应用histogram均衡。但是我这里用的masked数组，所有的运算时在非掩的元素上的
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')
现在我们有了查询表可以给我们对于每个输入像素值得对应输出像素值。然后我们应用这个转换。
img2=cdf[img]
现在我们计算它的histogram
另一个信息是即使如果图像是个暗图，当均衡之后我们会得到和之前那次几乎一样的图片，所以这个可以用来让所有图片拥有同样的亮度。在面部识别里，在训练面部数据之前，面部的图片会做histogram均衡以让他们所有都是同样的亮度条件。
OpenCV里的Histograms均衡
OpenCV有一个函数可以做这个，cv2.equalizeHist()。它的输入是灰度图像，输出时我们的histogram均衡图像。
下面是一个简单的代码来展示它的使用：
img = cv2.imread('wiki.jpg',0)
equ = cv2.equalizeHist(img)
res = np.hstack((img,equ)) #stacking images side-by-side
cv2.imwrite('res.png',res)
所以现在你可以把不同亮度的图像均衡以后看结果
histogram均衡在图片的histogram被限制在一个范围内时很有用，它在histogram覆盖大范围时并不好用。
对比度受限自适应直方图均衡
我们第一个histogram均衡考虑的是图片全部对比度，在很多情况下，这不是好主意，比如下面的图片和做了全局histogram均衡的结果：
背景对比度在均衡后确实提高了。但是对比两张图里的雕像，我们由于过度亮而导致失去了大部分面部信息。这是由于图像的histogram并不是像之前的图片那样限制在特定范围内。
要解决这个问题，要用适应性histogram均衡。在这里，图像被分成小块，这些小块叫做瓷砖（瓷砖的大小在OpenCV里默认是8x8）。然后这些小块还和平常一样做均衡，所以在小块里，histogram是在小范围内的，如果有噪点，会被放大。要避免这个，要应用对比度限制。如果任何histogram 高于特定的对比度限制（OpenCV里默认是40），那些像素会被修剪掉并被无变化的放到其他然后再做histogram均衡。均衡后，要移除瓷砖边界的人工因素，要应用双线性插值。
下面的代码显示了OpenCV里的CLAHE：
import numpy as np
import cv2img = cv2.imread('tsukuba_l.png',0)
# create a CLAHE object (Arguments are optional).
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)cv2.imwrite('clahe_2.jpg',cl1)
看下面的结果并和前面的结果对比,特别是雕塑部分
END
