3、直方图均衡化：让暗部细节亮起来

你有没有拍过这样的照片？

明明场景很美，但拍出来暗部一团黑，亮部又白得刺眼。我刚开始做图像处理时，遇到这种图第一反应就是调亮度。后来发现，单纯调亮度会把亮部也拉爆，效果反而更差。

直到我接触了直方图均衡化。说实话，这招真的很管用。它不直接调亮度，而是重新分配像素的灰度值，让暗部细节自己「跳」出来。

什么是直方图？

先聊聊直方图。说白了，它就是一张统计图。横轴是像素亮度（0到255），纵轴是每个亮度值有多少个像素。

举个例子：一张纯黑的图，直方图就是一根柱子立在0的位置。一张正常曝光的风景照，直方图会像一座小山，中间高两边低。

我在项目中遇到过一张夜景图，直方图几乎全挤在左边（暗部）。右边亮部区域几乎没像素。这种图看起来就是灰蒙蒙的，细节全藏在暗处。

均衡化是怎么做到的？

原理其实不复杂。我尽量用大白话讲清楚。

假设你有一张图，像素值集中在0到50之间。均衡化会做两件事：

1. 计算累积分布：统计每个亮度值以下有多少像素。比如亮度值10以下有1000个像素，亮度值20以下有3000个像素……
2. 映射到新值：把累积分布的结果，映射到0到255的完整范围。原本亮度10的像素，可能会变成80；原本亮度20的，可能会变成160。

你想想看，原本挤在一起的暗部像素，被拉伸到了更宽的区间。暗部细节自然就「亮」起来了。

代码实现：OpenCV 一行搞定

嗯，这里要注意。OpenCV 里实现直方图均衡化，真的就一行代码。但背后的原理你得懂，不然出了问题不知道怎么调。

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

# 读取图像（灰度图）
img = cv2.imread('dark_photo.jpg', cv2.IMREAD_GRAYSCALE)

# 直方图均衡化
equ = cv2.equalizeHist(img)

# 显示结果
plt.subplot(1, 2, 1)
plt.imshow(img, cmap='gray')
plt.title('原始图像')
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(equ, cmap='gray')
plt.title('均衡化后')
plt.axis('off')

plt.show()

这段代码跑完，你会看到暗部明显变亮了。但别急着高兴，我踩过坑——彩色图不能直接这么搞。

正确的做法是：先把RGB转成HSV或YCrCb颜色空间，只对亮度通道做均衡化，再转回RGB。这样既提亮了暗部，又保住了颜色。

# 彩色图均衡化（正确做法）
img_color = cv2.imread('dark_photo_color.jpg')
img_yuv = cv2.cvtColor(img_color, cv2.COLOR_BGR2YUV)
img_yuv[:,:,0] = cv2.equalizeHist(img_yuv[:,:,0])
img_output = cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR)

直方图均衡化的知识体系

我画了一张图，帮你理清本章的核心逻辑。从输入到输出，每一步都环环相扣。

避坑指南：我曾经踩过的三个坑

做直方图均衡化，有几个地方特别容易翻车。我一个个说。

• 坑一：过度增强。均衡化后，原本平滑的区域会出现「块状感」。比如天空，均衡化后可能变成一块一块的。我后来加了限制对比度自适应直方图均衡化（CLAHE），才解决了这个问题。
• 坑二：噪声放大。暗部区域本来噪声就多，均衡化把噪声也一起增强了。我的经验是：先做一次轻微的去噪，再做均衡化，效果会好很多。
• 坑三：彩色图直接处理。前面说过了，RGB三通道分别均衡化，颜色会乱掉。记得转颜色空间。

实战效果对比

我拿一张暗部细节丰富的照片做了测试。原始图直方图集中在左侧，均衡化后分布明显均匀了。暗部的纹理、轮廓都清晰可见。

指标	原始图像	均衡化后
直方图分布	集中在暗部（0-80）	均匀分布（0-255）
暗部细节可见度	低	高
整体对比度	低	高
噪声水平	低（但细节也低）	可能略有增加

说白了，直方图均衡化就是一把双刃剑。用好了，暗部细节全出来；用不好，噪声和块状感也跟着来。我个人习惯是：先试普通均衡化，效果不满意再上CLAHE。多试几次，你就能找到手感。