在摄影后期处理中，提升照片的亮度和对比度是常见的需求。特别是在拍摄逆光或者暗部细节丰富的场景时，照片往往会因为曝光不足或者过曝而失去细节。计算直方图均衡化（Histogram Equalization）是一种有效的图像增强技术，可以帮助我们解决这个问题。下面，我们就来详细了解一下如何使用计算直方图均衡化来提升照片亮度与对比度。
计算直方图均衡化的原理
直方图均衡化是一种基于直方图的图像增强技术。它通过调整图像中各个灰度级的像素分布，使得图像的直方图更加均匀，从而提升图像的亮度和对比度。
- 直方图：直方图是描述图像灰度级分布的图表。横坐标表示灰度级，纵坐标表示对应灰度级的像素数量。
- 均衡化：均衡化直方图的过程就是调整图像中各个灰度级的像素分布，使得整个图像的直方图更加平坦。
计算直方图均衡化的步骤
- 计算原始图像的直方图：首先，我们需要计算原始图像的直方图，得到每个灰度级的像素数量。
- 计算累积分布函数（CDF）：接着，我们计算累积分布函数（CDF），它表示图像中所有像素值小于或等于某个灰度级的像素数量。
- 计算变换函数：根据累积分布函数（CDF），我们可以计算出变换函数，它将原始图像中的每个灰度级映射到新的灰度级。
- 应用变换函数：最后，我们将变换函数应用到原始图像上，得到均衡化后的图像。
代码示例
下面是一个使用Python和OpenCV库实现计算直方图均衡化的示例代码：
import cv2
import numpy as np
# 读取图像
image = cv2.imread('input.jpg')
# 计算直方图
hist = cv2.calcHist([image], [0], None, [256], [0, 256])
# 计算累积分布函数（CDF）
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max() / cdf.max()
# 计算变换函数
transform = np.interp(np.arange(256), cdf_normalized, np.arange(256))
# 应用变换函数
equalized_image = cv2.LUT(image, transform)
# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Equalized Image', equalized_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
总结
计算直方图均衡化是一种简单而有效的图像增强技术，可以帮助我们提升照片的亮度和对比度。通过调整图像中各个灰度级的像素分布，我们可以解决暗部过曝的问题，使图像更加清晰。在实际应用中，我们可以根据需要调整直方图均衡化的参数，以达到最佳效果。