3. 直方图均衡化：全局直方图均衡化原理、实现与效果分析
直方图均衡化，说白了就是让一张图的亮度分布更均匀。你想想看，一张曝光不足的照片，像素大多挤在暗区；一张过曝的，像素又全堆在亮区。均衡化就是把这些像素「摊平」，让亮暗细节都出来。
我刚开始做图像增强时，第一个学的就是它。原因很简单——它不需要任何参数，一张图丢进去，出来就是结果。但后来我发现，这既是优点也是坑。咱们今天就把它的原理、实现和效果一次讲透。
3.1 数学原理：从概率到映射
先别急着写代码。理解原理，你才知道什么时候该用它，什么时候该绕道走。
假设一张灰度图，灰度级范围是 [0, L-1]。我们用 r 表示输入灰度，s 表示输出灰度。均衡化要找一个变换函数 T(r)，满足：
s = T(r) = (L-1) · ∫₀ʳ p_r(w) dw其中 p_r(w) 是原始图像的概率密度函数（PDF）。说白了，就是累积分布函数（CDF）乘以最大灰度级。
对于离散图像，我们用直方图代替 PDF：
p_r(r_k) = n_k / N (k = 0, 1, ..., L-1)
s_k = T(r_k) = (L-1) · Σⱼ₌₀ᵏ p_r(r_j) = (L-1) · CDF(r_k)这里 n_k 是灰度级 r_k 的像素数，N 是总像素数。最终 s_k 要四舍五入取整。
3.2 手动实现：从零写一个均衡化
OpenCV 一行 cv2.equalizeHist() 就搞定了。但我建议你至少手写一次。为什么？因为只有手写过，你才知道边界情况怎么处理，才能理解为什么有些图均衡完反而变丑了。
下面是我在项目中常用的实现：
import cv2
import numpy as np
import matplotlib.pyplot as plt
def my_equalize_hist(img):
# 1. 输入检查
if len(img.shape) == 3:
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 2. 计算直方图
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
hist = hist.flatten()
# 3. 计算累积分布函数
cdf = hist.cumsum()
# 4. 归一化到 [0, 255]
cdf_normalized = (cdf - cdf.min()) * 255 / (cdf.max() - cdf.min())
cdf_normalized = cdf_normalized.astype(np.uint8)
# 5. 映射
img_equalized = cdf_normalized[img]
return img_equalized
# 测试
img = cv2.imread('low_contrast.jpg', 0)
result = my_equalize_hist(img)
# 对比效果
plt.figure(figsize=(12, 4))
plt.subplot(1, 3, 1), plt.imshow(img, cmap='gray'), plt.title('原始')
plt.subplot(1, 3, 2), plt.imshow(result, cmap='gray'), plt.title('均衡化')
plt.subplot(1, 3, 3)
plt.hist(result.ravel(), 256, [0, 256])
plt.title('均衡化直方图')
plt.show()cdf * 255 / cdf.max()，最小值不为0时会导致整体偏亮。一定要减去最小值再归一化，才能充分利用整个灰度范围。
3.3 OpenCV 实现与对比
手写版和 OpenCV 版效果几乎一样，但 OpenCV 做了优化，速度更快。咱们对比一下：
| 对比项 | 手写实现 | OpenCV 实现 |
|---|---|---|
| 代码量 | ~15 行 | 1 行 |
| 速度（1024x1024） | ~8 ms | ~2 ms |
| 边界处理 | 需手动处理 | 内置优化 |
| 可定制性 | 高 | 低 |
| 适用场景 | 教学、定制算法 | 生产环境 |
生产环境我肯定用 OpenCV。但做算法调优时，我经常改手写版，比如加个裁剪、调个映射曲线——这些 OpenCV 给不了你。
3.4 效果分析：什么时候好用，什么时候翻车
均衡化不是万能的。我整理了几类典型场景的效果：
| 图像类型 | 效果 | 原因 |
|---|---|---|
| 低对比度（雾霾、欠曝） | ✅ 显著提升 | 直方图集中，拉伸空间大 |
| 正常对比度 | ⚠️ 轻微改善或过增强 | 直方图已较均匀，过度拉伸 |
| 高对比度（强光、逆光） | ❌ 细节丢失、噪声放大 | 直方图两端有峰，合并灰度级 |
| 医学图像（CT、X光） | ✅ 常用预处理 | 灰度范围窄，均衡后细节丰富 |
| 夜景图像 | ❌ 噪声被严重放大 | 暗区噪声被拉伸到可见范围 |
3.5 全局均衡化的局限性
嗯，这里要注意。全局均衡化有一个致命问题——它不考虑空间信息。
举个例子：一张图左边是天空，右边是草地。天空整体偏亮，草地整体偏暗。全局均衡化会把整个图的灰度拉均匀，结果天空变暗、草地变亮，反而失去了原有的层次感。
另外，它还会放大噪声。我在一个安防项目中遇到过：夜晚监控画面，均衡化后暗区的噪点全出来了，画面反而更模糊。后来我改用自适应直方图均衡化（CLAHE），才解决了这个问题。
全局均衡化的主要局限：
- 过度增强： 背景噪声被放大，尤其是平坦区域
- 细节丢失： 合并相近灰度级，可能丢失细微纹理
- 亮度漂移： 整体平均亮度会向中间灰度偏移
- 不保边缘： 没有考虑局部对比度，边缘可能变模糊
3.6 知识结构图：全局直方图均衡化全景
下面这张图总结了全局均衡化的核心流程、应用场景和局限性。我习惯用这种图来梳理知识，一目了然。
3.7 实战建议与避坑指南
最后，分享几个我在项目中积累的经验：
- 先降噪再均衡： 如果图像有噪声，先做高斯滤波或中值滤波，再均衡化。否则噪声会被放大到让你怀疑人生。
- 彩色图要小心： 不要直接在 RGB 三个通道上分别均衡化，会导致颜色失真。我习惯转到 HSV 或 Lab 空间，只对亮度通道做均衡化。
- 结合裁剪： 如果直方图两端有孤立尖峰，可以先裁剪掉极端值（比如 1% 和 99% 分位），再均衡化。效果会平滑很多。
- 评估指标： 除了肉眼观察，可以用对比度指标（如 RMS 对比度、熵）来量化效果。我常用的是信息熵——均衡化后熵值应该增大。