一、直方圖均衡化的意義

1. 增強圖像對比度、使圖像辨識度提高
2. 像素強度分布更加均衡，而不是整體趨暗或明

二、OpenCV中的equalizeHist函數

參考資料python+opencv直方圖均衡化_我是小螞蟻的博客-CSDN博客_opencv 直方圖均衡化

2.1 灰度圖

對於灰度圖的直方圖均衡化，直接用equalizeHist()即可。

equalizeHist()函數的用法非常簡單，直接傳入單通道圖像即可。

2.2 彩色圖

如果想要對彩色圖進行均衡化，可以先用OpenCV的split函數拆分成多個通道，接著分別將各個通道的數組傳入equalizeHist()，最後再用merge函數合並成一個彩色圖。

2.3 YCC均衡化

對彩色圖像的另一種均衡化方法，就是先用cvtColor函數（參數mode等於cv.COLOR_BGR2YCrCb）轉成YCC顏色模式的圖像，然後再用split函數劃分成多個通道，將第一個通道（亮度/明度）傳入equalizeHist()，最後再用merge函數將第一個通道的新數組和其他通道的數組合並成一個彩色圖。

三、生成自適應均衡化圖像（cv.createCLANE）

第二部分的equalizeHist()函數功能是“全局均衡化”。

全局均衡化API雖然簡單易用，但是存在一些問題。

由於整體亮度的提升，圖像的部分細節變得模糊，這時候我們可以嘗試進行分塊的局部均衡化操作。

自適應均衡化，最適合用來對直方圖有多個峰值區域的圖像；而全局均衡化，適合只有一個峰值區域的圖像。

createCLANE的語法格式如下

cv.createCLAHE([, clipLimit[, tileGridSize]]) ->retval

• clipLimit是對比度阈值，生成的圖像對比度不能太高；默認的阈值是40.0。
• tileGridSize表示圖像的行列分塊數；因為自適應均衡化是先將圖像按tileGridSize進行行列劃分，得到n*m塊子圖後分別進行均衡化；行列分塊數越大，均衡化越細致；默認的尺寸是(8, 8)。
• retval是函數返回值，代表一個類的實例；我們要向實現均衡化，還需要用到這個類實例的方法——apply(img)。