嘿，我完全懂你的处境——作为OpenCV新手，想让两幅灰度图亮度对齐，试了equalizeHist却发现它只能单图优化，根本不考虑另一幅图的情况。直方图匹配（也叫直方图规定化）正是你需要的方法，虽然OpenCV没有直接提供现成的函数，但咱们自己实现起来其实挺简单的，我给你一步步拆解思路，再附上可运行的代码示例。

直方图匹配的本质是让目标图像的亮度分布（直方图）和参考图像的分布保持一致，具体步骤如下：

• 计算两幅图像的累积分布函数（CDF）：CDF是直方图的累积形式，能反映图像中像素值小于等于某个灰度级的比例，这是实现匹配的核心依据。
• 建立灰度值映射表：遍历目标图像的每个灰度级，找到参考图像中CDF最接近该灰度级CDF值的灰度级，建立从目标灰度到参考灰度的映射关系。
• 应用映射到目标图像：用建好的映射表替换目标图像的每个像素，就能得到亮度和参考图高度相似的结果。

我用Python+OpenCV来写示例，新手友好度更高：

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

def histogram_matching(source, reference):
    # 计算源图像和参考图像的直方图
    src_hist, _ = np.histogram(source.flatten(), 256, [0, 256])
    ref_hist, _ = np.histogram(reference.flatten(), 256, [0, 256])
    
    # 计算累积分布函数（CDF）
    src_cdf = src_hist.cumsum()
    ref_cdf = ref_hist.cumsum()
    
    # 归一化CDF到[0,255]范围，确保映射的灰度值在合理区间
    src_cdf = (255 * src_cdf / src_cdf[-1]).astype(np.uint8)
    ref_cdf = (255 * ref_cdf / ref_cdf[-1]).astype(np.uint8)
    
    # 构建灰度映射表
    mapping = np.zeros(256, dtype=np.uint8)
    current_ref_idx = 0
    for src_gray in range(256):
        # 找到第一个CDF值大于等于当前源灰度CDF的参考灰度位置
        while current_ref_idx < 255 and ref_cdf[current_ref_idx] < src_cdf[src_gray]:
            current_ref_idx += 1
        mapping[src_gray] = current_ref_idx
    
    # 将映射应用到源图像
    matched_image = mapping[source]
    return matched_image

# 读取两幅灰度图像（替换成你自己的图片路径）
source_img = cv2.imread('source_gray.jpg', cv2.IMREAD_GRAYSCALE)
reference_img = cv2.imread('reference_gray.jpg', cv2.IMREAD_GRAYSCALE)

# 执行直方图匹配
matched_img = histogram_matching(source_img, reference_img)

# 可视化结果，方便对比
plt.figure(figsize=(12, 8))

# 源图像及直方图
plt.subplot(2, 3, 1)
plt.imshow(source_img, cmap='gray')
plt.title('Source Image')
plt.axis('off')

plt.subplot(2, 3, 4)
plt.hist(source_img.flatten(), 256, [0, 256], color='gray')
plt.title('Source Histogram')

# 参考图像及直方图
plt.subplot(2, 3, 2)
plt.imshow(reference_img, cmap='gray')
plt.title('Reference Image')
plt.axis('off')

plt.subplot(2, 3, 5)
plt.hist(reference_img.flatten(), 256, [0, 256], color='gray')
plt.title('Reference Histogram')

# 匹配后图像及直方图
plt.subplot(2, 3, 3)
plt.imshow(matched_img, cmap='gray')
plt.title('Matched Image')
plt.axis('off')

plt.subplot(2, 3, 6)
plt.hist(matched_img.flatten(), 256, [0, 256], color='gray')
plt.title('Matched Histogram')

plt.tight_layout()
plt.show()

• 这个示例针对的是8位灰度图（像素值0-255），如果是其他位深的图像，需要调整灰度级的范围（比如16位图就改成65536个灰度级）。
• 如果用C++版本的OpenCV，思路完全一致：用cv::calcHist计算直方图，手动计算CDF，然后构建映射表，最后用cv::LUT函数应用映射（比Python的索引替换更高效）。
• 运行代码时记得把图片路径换成你自己的图像路径，这样就能看到亮度对齐后的效果啦。

内容的提问来源于stack exchange，提问作者Miroslav Novák