直方圖
直方圖簡單來說就是圖像中每個像素值的個數統計，比如說一副灰度圖中像素值為0的有多少個，1的有多少個……直方圖是一種分析圖像的手段：
直方圖計算
opencv庫計算直方圖
使用 cv.calcHist(images, channels, mask, histSize, ranges) 計算，其中：
參數1：要計算的原圖，以方括號的形式傳入，如：[img]
參數2：選擇圖像的某個通道，計算直方圖，灰度圖像寫[0]
參數3：要計算的區域，計算整幅圖的話，寫None
參數4：直方圖橫坐標數目
參數5：要計算的像素范圍，一般為[0,255]
例如：hist = cv.calcHist([img], [0], None, [256], [0, 255])
numpy庫計算直方圖
可用Numpy中的函數計算直方圖，其中ravel()函數將二維矩陣展平變成一維數組：
hist, bins = np.histogram(img.ravel(), 255, [0, 255])
另一種更高效的方式：
hist = np.bincount(img.ravel(), minlength=256)
直方圖繪制
Matplotlib庫自帶了一個計算並繪制直方圖的功能，不需要用到上面的函數：
plt.hist(img.ravel(), 256, [0, 255])
plt.show()
當然，也可以用前面計算出來的結果繪制：
plt.plot(hist)
plt.show()
實驗
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
img = cv.imread('hist.jpg', 0)
hist = cv.calcHist([img], [0], None, [256], [0, 255])
plt.plot(hist)
plt.show()
實驗結果
從直方圖上可以看到圖片的大部分區域集中在150偏白的附近，這其實並不是很好的效果，下面我們來看看如何改善它。
直方圖均衡化
一副效果好的圖像通常在直方圖上的分布比較均勻，直方圖均衡化就是用來改善圖像的全局亮度和對比度。其實從觀感上就可以發現，前面那幅圖對比度不高，偏灰白。對均衡化算法感興趣的同學可參考：直方圖均衡化算法及python實現
opencv中實現圖像直方圖均衡化
equ = cv.equalizeHist(img)
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
img = cv.imread('hist.jpg', 0)
img_eq = cv.equalizeHist(img)
hist = cv.calcHist([img], [0], None, [256], [0, 255])
hist_eq = cv.calcHist([img_eq], [0], None, [256], [0,255])
plt.figure(1)
plt.subplot(2,2,1)
plt.imshow(img,cmap='gray')
plt.subplot(2,2,2)
plt.imshow(img_eq,cmap='gray')
plt.subplot(2,2,3)
plt.plot(hist)
plt.subplot(2,2,4)
plt.plot(hist_eq)
plt.show()
matlab圖像直方圖均衡化
請參考一篇優秀個文章：matlab實現圖像直方圖均衡化
直方圖自適應均衡化
不難看出來，直方圖均衡化是應用於整幅圖片的，會有什么問題呢？看下圖：
很明顯，因為全局調整亮度和對比度的原因，臉部太亮，大部分細節都丟失了。
自適應均衡化就是用來解決這一問題的：它在每一個小區域內（默認8×8）進行直方圖均衡化。當然，如果有噪點的話，噪點會被放大，需要對小區域內的對比度進行了限制，所以這個算法全稱叫：對比度受限的自適應直方圖均衡化CLAHE(Contrast Limited Adaptive Histogram Equalization)。
實現直方圖自適應均衡化
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
img = cv.imread('tsukuba.jpg', 0)
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
cl1 = clahe.apply(img)
plt.subplot(1,2,1)
plt.imshow(img,cmap='gray')
plt.title('Original')
plt.xticks([]),plt.yticks([])
plt.subplot(1,2,2)
plt.imshow(cl1,cmap='gray')
plt.title('Adaptive Histogram Equalization')
plt.xticks([]),plt.yticks([])
plt.show()
實驗結果
