3. 直方图均衡化实现：从理论到代码

上一章我们聊了直方图均衡化的数学原理，说白了就是让像素分布更均匀。但理论归理论，真正写代码时你会发现——嗯，坑还挺多的。这一章我就带大家亲手实现一遍，顺便聊聊我踩过的那些雷。

3.1 Python 实现灰度图均衡化

先别急着调 OpenCV 的现成函数。我个人习惯，学任何算法都先手撸一遍，这样你才知道黑盒子里到底发生了什么。

手写均衡化的核心就三步：

1. 统计直方图——数一数每个灰度级有多少像素
2. 计算累积分布函数（CDF）——归一化后得到映射表
3. 像素映射——用映射表替换原图每个像素值

下面是我常用的实现，注释都写清楚了：

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

def my_equalize_hist(img):
    """
    手写直方图均衡化
    img: 灰度图，dtype=uint8
    """
    # 1. 统计直方图
    hist = np.zeros(256, dtype=np.int32)
    h, w = img.shape
    for i in range(h):
        for j in range(w):
            hist[img[i, j]] += 1
    
    # 2. 计算CDF
    cdf = np.zeros(256, dtype=np.float64)
    cdf[0] = hist[0] / (h * w)
    for k in range(1, 256):
        cdf[k] = cdf[k-1] + hist[k] / (h * w)
    
    # 3. 映射：CDF * 255 并取整
    lut = np.round(cdf * 255).astype(np.uint8)
    
    # 4. 应用映射
    result = np.zeros_like(img)
    for i in range(h):
        for j in range(w):
            result[i, j] = lut[img[i, j]]
    
    return result, lut

# 测试
img = cv2.imread('dark_image.jpg', cv2.IMREAD_GRAYSCALE)
eq_img, lut = my_equalize_hist(img)

我曾经在嵌入式设备上跑这个循环版本，一张 640×480 的图用了 0.8 秒。换成查表法后，降到 5 毫秒。你想想看，差了 160 倍。

3.2 OpenCV 的 equalizeHist 函数

当然，实际工程中没人会手写。OpenCV 提供了现成的 equalizeHist，一行代码搞定：

import cv2

img = cv2.imread('dark_image.jpg', cv2.IMREAD_GRAYSCALE)
eq_img = cv2.equalizeHist(img)

就这么简单。但注意——这个函数只接受单通道灰度图，输入必须是 uint8 类型。我见过有人直接传彩色图进去，结果 OpenCV 报错，然后跑来问我为什么。嗯，文档还是要看的。

OpenCV 内部实现比我手写的要优化得多：

• 它用了 并行计算，多核 CPU 下速度更快
• 对边界情况做了处理（比如全黑图、全白图）
• 内存访问模式做了缓存友好优化

但核心算法和我上面写的完全一致。所以如果你手写的结果和 OpenCV 对不上，那一定是你写错了。

3.3 彩色图像均衡化策略

彩色图比灰度图麻烦得多。你不能直接把三个通道分别均衡化然后拼回去——那样颜色会完全乱掉。我刚开始学的时候就这么干过，结果出来的图像鬼片一样。

为什么会这样？因为 RGB 三个通道的像素分布是耦合的，单独调整会破坏色彩平衡。正确的做法有三种：

我个人最常用的是 HSV 方案，代码也很简洁：

import cv2
import numpy as np

def equalize_color_hsv(img):
    """
    彩色图像均衡化：HSV 空间，只处理 V 通道
    img: BGR 彩色图
    """
    # 转 HSV
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    h, s, v = cv2.split(hsv)
    
    # 只对亮度通道均衡化
    v_eq = cv2.equalizeHist(v)
    
    # 合并回 HSV
    hsv_eq = cv2.merge([h, s, v_eq])
    
    # 转回 BGR
    return cv2.cvtColor(hsv_eq, cv2.COLOR_HSV2BGR)

# 使用
img_color = cv2.imread('color_image.jpg')
result = equalize_color_hsv(img_color)

Lab 方案效果更好，但速度慢一些。如果你做的是医学图像或遥感图像，我建议用 Lab。普通照片的话，HSV 完全够用。

3.4 三种实现方式对比

我把三种方式放在一起对比一下，方便你选型：

你想想看，如果只是做快速验证，OpenCV 一行代码就够了。但如果你要理解算法本质，或者需要定制映射曲线，手写实现是必须的。

3.5 核心流程总结

下面这张图把本章的知识点串起来了，我建议你保存下来对照着看：

这张图把整个流程理得很清楚。灰度图走左边，直接调 equalizeHist。彩色图走右边，先转色彩空间，再只均衡亮度通道。殊途同归，最后都输出增强后的图像。