如何用OpenCV和Numpy手动实现图像直方图均衡化？求排查代码问题

首先得说清楚，你当前写的stratch_contrast函数做的是对比度拉伸（线性灰度映射），不是直方图均衡化——这就是为什么处理后直方图和原图几乎一致的核心原因：对比度拉伸只是把原像素的灰度范围线性扩展到0-255，不会改变直方图的整体形状，而直方图均衡化是通过非线性变换让灰度分布更均匀，二者完全不同。

接下来拆解你代码里的具体问题，然后给出正确的直方图均衡化实现：

1. 你的代码里的几个关键bug #

• 索引顺序搞反了：在get_histo_scope和stratch_contrast函数中，你循环的是y从0到宽度w，x从0到高度h，但访问像素时用了img[x][y]——这相当于把图像的行（高度方向）和列（宽度方向）搞反了，会导致像素遍历错误，统计的直方图也不对。正确的遍历可以直接用img.flatten()获取所有像素，简单又高效。
• 灰度映射的数值错误：你用了256作为最大灰度值，但图像的灰度范围是0-255，应该用255，否则计算出来的像素值可能超过255，虽然你设置了np.seterr(over='ignore')，但这会导致值被截断，影响最终效果。
• 输出图像的数据类型问题：newImg初始化时用了np.zeros((img.shape))，默认是float64类型，而原图像是uint8，处理后需要转换成uint8才能正确显示和统计灰度分布。
• 代码未完成：最后一行plot(newI明显是截断了，应该补全为plot(newImgPixelList, darkestValueStratch, whitestValueStratch)。

2. 手动实现直方图均衡化的正确步骤 #

直方图均衡化的核心是通过**累积分布函数（CDF）**做非线性映射，步骤如下：

1. 计算原图每个灰度级（0-255）的像素数量（直方图）
2. 计算累积分布函数CDF：每个灰度级的CDF是该灰度级及以下所有灰度级的像素数之和
3. 用CDF做灰度映射：将原灰度值i映射为(CDF[i] - CDF_min) / (总像素数 - CDF_min) * 255，其中CDF_min是CDF中最小的非零值（避免除以0）

3. 修复后的完整代码 #

import matplotlib.pyplot as plt
import numpy as np
import cv2
np.seterr(over='ignore')

name = 'puppy.jpg'
img = cv2.imread(name, cv2.IMREAD_GRAYSCALE) # 读取灰度图像
newImg = np.zeros_like(img) # 初始化和原图同类型的输出图像

# 获取图像直方图范围和像素列表（修复索引问题）
def get_histo_scope(img):
    imgPixelList = img.flatten().tolist() # 直接展平数组，更高效
    darkestValue = np.min(img)
    whitestValue = np.max(img)
    return darkestValue, whitestValue, imgPixelList

# 绘制直方图
def plot(imgPixelList, title):
    plt.hist(imgPixelList, bins=256, range=(0,256), color='black')
    plt.xlabel('灰度值')
    plt.ylabel('像素数量')
    plt.title(title)
    plt.show()

# 对比度拉伸（修正后的版本）
def stretch_contrast(img, darkestValue, whitestValue):
    if whitestValue == darkestValue:
        return img.flatten().tolist(), darkestValue, whitestValue
    # 线性映射到0-255
    stretched_img = ((img - darkestValue) / (whitestValue - darkestValue)) * 255
    stretched_img = stretched_img.astype(np.uint8)
    return stretched_img.flatten().tolist(), np.min(stretched_img), np.max(stretched_img)

# 手动实现直方图均衡化
def histogram_equalization(img):
    h, w = img.shape
    total_pixels = h * w
    
    # 计算直方图
    hist = np.zeros(256, dtype=np.int32)
    for x in range(h):
        for y in range(w):
            hist[img[x][y]] += 1
    
    # 计算累积分布函数CDF
    cdf = np.cumsum(hist)
    # 找到CDF的最小值（排除0）
    cdf_min = cdf[cdf > 0].min()
    
    # 灰度映射
    equalized_img = np.zeros_like(img)
    for x in range(h):
        for y in range(w):
            old_pixel = img[x][y]
            new_pixel = ((cdf[old_pixel] - cdf_min) / (total_pixels - cdf_min)) * 255
            equalized_img[x][y] = np.round(new_pixel).astype(np.uint8)
    
    return equalized_img.flatten().tolist(), np.min(equalized_img), np.max(equalized_img)

# 原图直方图
darkestValue, whitestValue, imgPixelList = get_histo_scope(img)
plot(imgPixelList, '原图直方图')

# 对比度拉伸后的直方图
stretched_pixels, _, _ = stretch_contrast(img, darkestValue, whitestValue)
plot(stretched_pixels, '对比度拉伸后直方图')

# 直方图均衡化后的直方图
equalized_pixels, _, _ = histogram_equalization(img)
plot(equalized_pixels, '直方图均衡化后直方图')

效果说明 #

• 对比度拉伸后的直方图只是把原灰度范围扩展到0-255，形状和原图几乎一致
• 直方图均衡化后的直方图会呈现更均匀的分布，这才是你想要的效果

内容的提问来源于stack exchange，提问作者Leonard Capacete