直方图简单来说就是图像中每个像素值的个数统计，比如说一副灰度图中像素值为0的有多少个，1的有多少个……直方图是一种分析图像的手段：

使用 cv.calcHist(images, channels, mask, histSize, ranges) 计算，其中： 参数1：要计算的原图，以方括号的形式传入，如：[img] 参数2：选择图像的某个通道，计算直方图，灰度图像写[0] 参数3：要计算的区域，计算整幅图的话，写None 参数4：直方图横坐标数目 参数5：要计算的像素范围，一般为[0,255] 例如：hist = cv.calcHist([img], [0], None, [256], [0, 255])

可用Numpy中的函数计算直方图，其中ravel()函数将二维矩阵展平变成一维数组： hist, bins = np.histogram(img.ravel(), 255, [0, 255]) 另一种更高效的方式： hist = np.bincount(img.ravel(), minlength=256)

Matplotlib库自带了一个计算并绘制直方图的功能，不需要用到上面的函数： plt.hist(img.ravel(), 256, [0, 255]) plt.show() 当然，也可以用前面计算出来的结果绘制： plt.plot(hist) plt.show()

一副效果好的图像通常在直方图上的分布比较均匀，直方图均衡化就是用来改善图像的全局亮度和对比度。其实从观感上就可以发现，前面那幅图对比度不高，偏灰白。对均衡化算法感兴趣的同学可参考：直方图均衡化算法及python实现

equ = cv.equalizeHist(img)

请参考一篇优秀个文章：matlab实现图像直方图均衡化

不难看出来，直方图均衡化是应用于整幅图片的，会有什么问题呢？看下图：

很明显，因为全局调整亮度和对比度的原因，脸部太亮，大部分细节都丢失了。 自适应均衡化就是用来解决这一问题的：它在每一个小区域内（默认8×8）进行直方图均衡化。当然，如果有噪点的话，噪点会被放大，需要对小区域内的对比度进行了限制，所以这个算法全称叫：对比度受限的自适应直方图均衡化CLAHE(Contrast Limited Adaptive Histogram Equalization)。