我们来看一个灰度图像，让
表示灰度
出现的次数，这样图像中灰度为 的像素的出现概率是
是图像中全部的灰度数，
是图像中全部的像素数, 
实际上是图像的直方图，归一化到 
。
把 
作为相应于 的累计概率函数, 定义为：
是图像的累计归一化直方图。
我们创建一个形式为 
的变化，对于原始图像中的每一个值它就产生一个 
，这样 的累计概率函数就能够在全部值范围内进行线性化，转换公式定义为：
注意 T 将不同的等级映射到 
域。为了将这些值映射回它们最初的域，须要在结果上应用以下的简单变换：
上面描写叙述了灰度图像上使用直方图均衡化的方法。可是通过将这样的方法分别用于图像RGB颜色值的红色、绿色和蓝色分量，从而也能够对彩色图像进行处理。
- Python: cv2. equalizeHist (src [, dst ] ) → dst
- C: void cvEqualizeHist (const CvArr* src, CvArr* dst )
-
Parameters: - src – Source 8-bit single channel image.
- dst – Destination image of the same size and type as src .
The function equalizes the histogram of the input image using the following algorithm:
Calculate the histogram
for src .Normalize the histogram so that the sum of histogram bins is 255.
Compute the integral of the histogram:
Transform the image using
as a look-up table: 
The algorithm normalizes the brightness and increases the contrast of the image.
# -*- coding: utf-8 -*- #code:myhaspl@myhaspl.comimport cv2fn="test1.jpg"myimg=cv2.imread(fn)img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)newimg=cv2.equalizeHist(img)cv2.imshow('src',img)cv2.imshow('dst',newimg)cv2.waitKey()cv2.destroyAllWindows() 本博客全部内容是原创，假设转载请注明来源
以下右图是经过增强化的图
直方图均衡化通经常使用来添加很多图像的全局 对照度 ，尤其是当图像的实用数据的对照度相当接近的时候。 通过这样的方法，
亮度 能够更好地在直方图上分布。这样就能够用于增强局部的对照度而不影响总体的对照度本博客全部内容是原创，假设转载请注明来源
以下部分代码验证实现了算法
# -*- coding: utf-8 -*- #code:myhaspl@myhaspl.com#直方图均衡化import cv2import numpy as npfn="test5.jpg"myimg=cv2.imread(fn)img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)h=img.shape[0]w=img.shape[1]newimg=np.zeros((h,w),np.uint8)scount=0.0#原始图像灰度级scol={}#目标图像灰度级dcol={}#原始图像频度Ps={}#累计概率Cs={}#统计原始图像灰度级for m in xrange(h): for n in xrange(w): scol[img[m,n]]=scol.setdefault(img[m,n],0)+1 scount+=1 下图左为源图。右图为进行直方图均衡化后的图
