以下内容需要直方图均衡化、规定化知识
直方图均衡化应用：
图像直方图均衡化能拉伸灰度图，让像素值均匀分布在0,255之间，使图像看起来不会太亮或太暗，常用于图像增强；
直方图规定化应用：
举个例子，当我们需要对多张图像进行拼接时，我们希望这些图片的亮度、饱和度保持一致，事实上就是让它们的直方图分布一致，这时就需要直方图规定化。
直方图规定化与均衡化的思想一致，事实上就是找到各个灰度级别的映射关系。具体实现的过程中一般会选一个参考图像记为A，找到A的直方图与目标图像的直方图的映射关系，从而找到目标图像的像素以A为“参考”时的映射关系。
具体实现可参考文中链接(看完茅塞顿开)
基于python利用直方图规定化统一图像风格
参考图像
原始图像(第一行)/处理后的图像(第二行)
源码：
import os
import cv2
import numpy as np
def get_map(Hist):
# 计算概率分布Pr
sum_Hist = sum(Hist)
Pr = Hist/sum_Hist
# 计算累计概率Sk
Sk = []
temp_sum = 0
for n in Pr:
temp_sum = temp_sum + n
Sk.append(temp_sum)
Sk = np.array(Sk)
# 计算映射关系img_map
img_map = []
for m in range(256):
temp_map = int(255*Sk[m] + 0.5)
img_map.append(temp_map)
img_map = np.array(img_map)
return img_map
def get_off_map(map_): # 计算反向映射，寻找最小期望
map_2 = list(map_)
off_map = []
temp_pre = 0 # 如果循环开始就找不到映射时，默认映射为0
for n in range(256):
try:
temp1 = map_2.index(n)
temp_pre = temp1
except BaseException:
temp1 = temp_pre # 找不到映射关系时，近似取向前最近的有效映射值
off_map.append(temp1)
off_map = np.array(off_map)
return off_map
def get_infer_map(infer_img):
infer_Hist_b = cv2.calcHist([infer_img], [0], None, [256], [0,255])
infer_Hist_g = cv2.calcHist([infer_img], [1], None, [256], [0,255])
infer_Hist_r = cv2.calcHist([infer_img], [2], None, [256], [0,255])
infer_b_map = get_map(infer_Hist_b)
infer_g_map = get_map(infer_Hist_g)
infer_r_map = get_map(infer_Hist_r)
infer_b_off_map = get_off_map(infer_b_map)
infer_g_off_map = get_off_map(infer_g_map)
infer_r_off_map = get_off_map(infer_r_map)
return [infer_b_off_map, infer_g_off_map, infer_r_off_map]
def get_finalmap(org_map, infer_off_map): # 计算原始图像到最终输出图像的映射关系
org_map = list(org_map)
infer_off_map = list(infer_off_map)
final_map = []
for n in range(256):
temp1 = org_map[n]
temp2 = infer_off_map[temp1]
final_map.append(temp2)
final_map = np.array(final_map)
return final_map
def get_newimg(img_org, org2infer_maps):
w, h, _ = img_org.shape
b, g ,r =cv2.split(img_org)
for i in range(w):
for j in range(h):
temp1 = b[i,j]
b[i,j] = org2infer_maps[0][temp1]
for i in range(w):
for j in range(h):
temp1 = g[i,j]
g[i,j] = org2infer_maps[1][temp1]
for i in range(w):
for j in range(h):
temp1 = r[i,j]
r[i,j] = org2infer_maps[2][temp1]
newimg = cv2.merge([b,g,r])
return newimg
def get_new_img(img_org, infer_map):
org_Hist_b = cv2.calcHist([img_org], [0], None, [256], [0,255])
org_Hist_g = cv2.calcHist([img_org], [1], None, [256], [0,255])
org_Hist_r = cv2.calcHist([img_org], [2], None, [256], [0,255])
org_b_map = get_map(org_Hist_b)
org_g_map = get_map(org_Hist_g)
org_r_map = get_map(org_Hist_r)
org2infer_map_b = get_finalmap(org_b_map, infer_map[0])
org2infer_map_g = get_finalmap(org_g_map, infer_map[1])
org2infer_map_r = get_finalmap(org_r_map, infer_map[2])
return get_newimg(img_org, [org2infer_map_b, org2infer_map_g, org2infer_map_r])
if __name__ == "__main__":
dstroot = './imgs'
infer_img_path = './abc.png'
infer_img = cv2.imread(infer_img_path)
outroot = './out1'
infer_map = get_infer_map(infer_img) # 计算参考映射关系
dstlist = os.listdir(dstroot)
for n in dstlist:
img_path = os.path.join(dstroot, n)
print(img_path)
img_org = cv2.imread(img_path)
new_img = get_new_img(img_org, infer_map) # 根据映射关系获得新的图像
new_path = os.path.join(outroot, n)
cv2.imwrite(new_path, new_img)

首先是opencv在图像处理方面的基础应用，彩色图像的相关知识和技术以及直方图的均衡化和规定化的原理是必须提前掌握，这些我就不做过多的介绍了。 本次实验也是基于python下完成的。
老师要求的是在hsv模型里对直方图进行规定化，所以如果你是在rgb模型下进行直方图规定化，只需要将rgb和hsv互相转化的部分删除即可，重点并不是这里。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img1 = cv2.imread('E:\\picSource\\Fig7A.jpg')
img2 = cv2.imread('E:\\picSource\\Fig7B.jpg')
img_hsv1 = cv2.cvtColor(img1, cv2.COLOR_BGR2HSV)     # bgr转hsv
img_hsv2 = cv2.cvtColor(img2, cv2.COLOR_BGR2HSV)
color = ('h', 's', 'v')
for i, col in enumerate(color):
# histr = cv2.calcHist([img_hsv1], [i], None, [256], [0, 256])
hist1, bins = np.histogram(img_hsv1[:, :, i].ravel(), 256, [0, 256])
hist2, bins = np.histogram(img_hsv2[:, :, i].ravel(), 256, [0, 256])
cdf1 = hist1.cumsum()  # 灰度值0-255的累计值数组
cdf2 = hist2.cumsum()
cdf1_hist = hist1.cumsum() / cdf1.max()  # 灰度值的累计值的比率
cdf2_hist = hist2.cumsum() / cdf2.max()
diff_cdf = [[0 for j in range(256)] for k in range(256)]  # diff_cdf 里是每2个灰度值比率间的差值
for j in range(256):
for k in range(256):
diff_cdf[j][k] = abs(cdf1_hist[j] - cdf2_hist[k])
lut = [0 for j in range(256)]        # 映射表
for j in range(256):
min = diff_cdf[j][0]
index = 0
for k in range(256):            # 直方图规定化的映射原理
if min > diff_cdf[j][k]:
min = diff_cdf[j][k]
index = k
lut[j] = ([j, index])
h = int(img_hsv1.shape[0])
w = int(img_hsv1.shape[1])
for j in range(h):                   # 对原图像进行灰度值的映射
for k in range(w):
img_hsv1[j, k, i] = lut[img_hsv1[j, k, i]][1]
hsv_img1 = cv2.cvtColor(img_hsv1, cv2.COLOR_HSV2BGR)   # hsv转bgr
hsv_img2 = cv2.cvtColor(img_hsv2, cv2.COLOR_HSV2BGR)
cv2.namedWindow('firstpic', 0)
cv2.resizeWindow('firstpic', 670, 900)
cv2.namedWindow('targetpic', 0)
cv2.resizeWindow('targetpic', 670, 900)
cv2.namedWindow('defpic', 0)
cv2.resizeWindow('defpic', 670, 900)
cv2.imshow('firstpic', img1)
cv2.imshow('targetpic',img2)
# cv2.imshow('img1', img_hsv1)
cv2.imshow('defpic', hsv_img1)
cv2.waitKey(0)
cv2.destroyAllWindows()
以下分别是原图像 目标图像 和 经过直方图规定化后的图像：

直方图匹配又称为直方图规定化，是指将一幅图像的直方图变成规定形状的直方图而进行的图像增强方法。即将某幅影像或某一区域的直方图匹配到另一幅影像上。将图像的直方图分布规律与待匹配图像的脂肪分布规律近似。下面介绍两种方法：
1. 直方图匹配
def style_transfer(image, ref):
    out = np.zeros_like(ref)
    _, _, ch = image.shape
    for i in range(ch):
        print(i)
        hist_img, _ = np.histogram(image[:, :, i], 256)
        hist_ref, _ = np.histogram(ref[:, :, i], 256)
        cdf_img = np.cumsum(hist_img)
        cdf_ref = np.cumsum(hist_ref)

        for j in range(256):
            tmp = abs(cdf_img[j] - cdf_ref)
            tmp = tmp.tolist()
            idx = tmp.index(min(tmp))  # 找出tmp中最小的数，得到这个数的索引
            out[:, :, i][ref[:, :, i] == j] = idx
    return out

out = style_transfer(img, ref)

hist_img = cv2.calcHist([img], [0], None, [255], [0, 255])
hist_ref = cv2.calcHist([ref], [0], None, [255], [0, 255])
hist_out = cv2.calcHist([out], [0], None, [255], [0, 255])

plt.subplot(231)
plt.title("img")
plt.imshow(img)
plt.subplot(234)
plt.plot(hist_img)

plt.subplot(232)
plt.title("ref")
plt.imshow(ref)
plt.subplot(235)
plt.plot(hist_ref)

plt.subplot(233)
plt.title("out")
plt.imshow(out)
plt.subplot(236)
plt.plot(hist_out)

plt.show()
2. 针对灰度图优化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ref_gray = cv2.cvtColor(ref, cv2.COLOR_BGR2GRAY)
hist = cv2.calcHist([gray], [0], None, [256], [0, 256])
hist_ref = cv2.calcHist([ref_gray], [0], None, [256], [0, 256])
# 计算累计直方图
out = np.zeros_like(img)
tmp_ref = 0.0
h_ref = hist_ref.copy()
for i in range(256):
    tmp_ref += h_ref[i]
    h_ref[i] = tmp_ref
tmp = 0.0
h_acc = hist.copy()
for i in range(256):
    tmp += hist[i]
    h_acc[i] = tmp
# 计算映射
diff = np.zeros([256, 256])
for i in range(256):
    for j in range(256):
        diff[i][j] = np.fabs(h_ref[j] - h_acc[i])
M = np.zeros(256)
for i in range(256):
    index = 0
    min = diff[i][0]  # min = 1.
    for j in range(256):
        if (diff[i][j] < min):
            min = diff[i][j]
            index = int(j)
    M[i] = index
out = M[gray].astype(np.float32)


hist_img = cv2.calcHist([img], [0], None, [255], [0, 255])
hist_ref = cv2.calcHist([ref], [0], None, [255], [0, 255])
hist_out = cv2.calcHist([out], [0], None, [255], [0, 255])

plt.subplot(231)
plt.title("img")
plt.imshow(img)
plt.subplot(234)
plt.plot(hist_img)

plt.subplot(232)
plt.title("ref")
plt.imshow(ref)
plt.subplot(235)
plt.plot(hist_ref)

plt.subplot(233)
plt.title("out")
plt.imshow(out)
plt.subplot(236)
plt.plot(hist_out)

plt.show()

参考自：
数字图像处理第三版，冈萨雷斯
图像处理基础(8)：图像的灰度直方图、直方图均衡化、直方图规定化(匹配) - Brook_icv - 博客园 https://www.cnblogs.com/wangguchangqing/p/7098213.html
直方图规定化，又叫直方图匹配。理想情况下，直方图均衡化实现了图像灰度的均衡分布，提高了图像对比度、提升了图像亮度。在实际应用中，有时并不需要图像的直方图具有整体的均匀分布，而希望直方图与规定要求的直方图一致，这就是直方图规定化。
通过一个灰度映像函数，将原灰度直方图改造成所希望的直方图，把图像变换为某一特定的灰度分布，也就是其目的的灰度直方图是已知的。这其实和均衡化很类似，均衡化后的灰度直方图也是已知的，是一个均匀分布的直方图；而规定化后的直方图可以随意的指定，也就是在执行规定化操作时，首先要知道变换后的直方图，这样才能确定变换函数。规定化操作能够有目的的增强某个灰度区间，相比于，均衡化操作，规定化多了一个输入，但是其变换后的结果也更灵活。
在理解了上述的均衡化过程后，直方图的规定化也较为简单。可以利用均衡化后的直方图作为一个中间过程，然后求取规定化的变换函数。具体步骤如下：
将原始图像的灰度直方图进行均衡化，得到一个变换函数s=T(r)，其中s是均衡化后的像素，r是原始像素
对规定的直方图进行均衡化，得到一个变换函数v=G(z)v=G(z)，其中v是均衡化后的像素，z是规定化的像素
上面都是对同一图像(变换前的待规定化图像和变换后的规定化结果图像)的均衡化，其结果应该是相等的，s=v，且z=G−1(v)=G−1(T(r))，这个公式就是r和z的关系
通过，均衡化作为中间结果，将得到原始像素 r 和 z 规定化后像素之间的映射关系。
详解规定化过程
对图像进行直方图规定化操作，原始图像的直方图和以及规定化后的直方图是已知的。
假设Pr(r)表示原始图像的灰度概率密度，Pz(z)表示规定化图像的灰度概率密度(r和z分别是原始图像的灰度级，规定化后图像的灰度级)。
对原始图像进行均衡化操作，则有
对规定化的直方图进行均衡化操作，则
由于是对同一图像的均衡化操作，所以有
规定化操作的目的就是找到原始图像的像素sk到规定化后图像像素的zm之间的一个映射。
有了上一步的等式后，可以得到sk=G(zm)，因此要想找到sk对应的zm只需要在z进行迭代，找到使式子G(zm)−sk的绝对值最小即可。
上述描述只是理论的推导过程，在实际的计算过程中，不需要做两次的均衡化操作，具体的推导过程如下：
上面公式表示，假如sk规定化后的对应灰度是zm的话，需要满足的条件是sk的累积概率和zm的累积概率是最接近的
下面是一个具体计算的例子：
首先得到原直方图的各个灰度级的累积概率Vs以及规定化后直方图的各个灰度级的累积概率Vz，那么确定sk到zm之间映射关系的条件就是：
∣Vs−Vz∣的值最小。
以k=2为例，其原始直方图的累积概率是:0.65,在规定化后的直方图的累积概率中和0.65最接近(相等)的是灰度值为5的累积概率密度，则可以得到原始图像中的灰度级2，在规定化后的图像中的灰度级是5。
直方图规定化的实现
直方图规定化的实现可以分为一下三步：
计算原图像的累积直方图
计算规定直方图的累积直方图
计算两累积直方图的差值的绝对值
根据累积直方图差值建立灰度级的映射
具体代码
"""直方图规定化，又叫直方图匹配"""
importnumpy as npimportmatplotlib.pyplot as pltimportcv2#定义函数，计算直方图累积概率
defhistCalculate(src):
row, col=np.shape(src)
hist= np.zeros(256, dtype=np.float32)  #直方图
cumhist = np.zeros(256, dtype=np.float32)  #累积直方图
cumProbhist = np.zeros(256, dtype=np.float32)  #累积概率probability直方图，即Y轴归一化
for i inrange(row):for j inrange(col):
hist[src[i][j]]+= 1cumhist[0]=hist[0]for i in range(1, 256):
cumhist[i]= cumhist[i-1] +hist[i]
cumProbhist= cumhist/(row*col)returncumProbhist#定义函数，直方图规定化
def histSpecification(specImg, refeImg):  #specification image and reference image
spechist = histCalculate(specImg)  #计算待匹配直方图
refehist = histCalculate(refeImg)  #计算参考直方图
corspdValue = np.zeros(256, dtype=np.uint8)  #correspond value
#直方图规定化
for i in range(256):
diff= np.abs(spechist[i] -refehist[i])
matchValue=ifor j in range(256):if np.abs(spechist[i] - refehist[j]) 
diff= np.abs(spechist[i] -refehist[j])
matchValue=j
corspdValue[i]=matchValue
outputImg=cv2.LUT(specImg, corspdValue)returnoutputImg
img= cv2.imread('F:\program_study\Python\data\city.tif', cv2.IMREAD_GRAYSCALE)#读入参考图像
img1 = cv2.imread('F:\program_study\Python\data\Lena.tif', cv2.IMREAD_GRAYSCALE)
cv2.imshow('input', img)
cv2.imshow('refeImg', img1)
imgOutput=histSpecification(img, img1)
cv2.imshow('output', imgOutput)
cv2.waitKey(0)
cv2.destroyAllWindows()
fig= plt.figure('整个过程直方图显示', (8, 8))
plt.subplot(311)
plt.plot(histCalculate(img),'r', lw=1, label='待匹配累积概率直方图')
plt.legend(loc='best')
plt.subplot(312)
plt.plot(histCalculate(img1),'b', lw=1, label='参考累积概率直方图')
plt.legend(loc='best')
plt.subplot(313)
plt.plot(histCalculate(imgOutput),'g', lw=1, label='规则化后的概率直方图')
plt.legend(loc='best')
plt.show()
局部的直方图处理
除了全局的直方图处理外，还有局部直方图处理。它可以增前图像中小区域的细节。过程是定义一个领域模板，并将模板中心从一个像素移至另一个像素。在每个位置，计算领域中的点的直方图，均衡化或规定化，并将局部的中心元素的作为图像的当前值。