什么是直方图均衡化
在日常拍照中，经常会遇到光线不足或对比度偏低的情况。比如傍晚拍的风景照，整体灰蒙蒙的，暗部看不清细节，亮部又容易过曝。这时候，直方图均衡化就能派上用场。
简单来说，直方图均衡化是一种增强图像对比度的技术。它通过重新分布像素的亮度值，把原本集中在某一段灰度范围的像素拉伸到更广的范围内，让画面看起来更通透、细节更丰富。
直方图到底是什么
可以把它想象成一张统计图。横轴是0到255的灰度值（0最黑，255最白），纵轴是每个灰度值出现的次数。如果一张照片整体偏暗，那大部分像素都会集中在左侧；如果太亮，则集中在右侧。均衡化的目的就是让这些像素分布得更均匀。
实际应用场景
举个例子，医学影像中的X光片常常需要提升对比度，医生才能看清组织结构。监控摄像头在夜间拍摄的画面也普遍偏暗，使用直方图均衡化后，能更容易识别出人脸或车牌。
在演示文稿中插入图片时，原始素材质量参差不齐。手动调亮度和对比度费时费力，而直方图均衡化可以快速统一多张图片的视觉效果，让整个PPT看起来更专业。
代码实现示例
如果你用Python处理图像，OpenCV提供了非常简单的接口：
import cv2
// 读取灰度图像
img = cv2.imread('photo.jpg', 0)
// 应用直方图均衡化
equalized = cv2.equalizeHist(img)
// 保存结果
cv2.imwrite('enhanced.jpg', equalized)这段代码运行后，原本发灰的照片会明显变得清晰。如果是彩色图像，通常先转换到HSV空间，只对V通道（亮度）做均衡化，再转回来，避免颜色失真。
局限性也要注意
不是所有图片都适合做直方图均衡化。有些本身对比度已经很高的图，再处理反而会显得生硬，噪声也被放大。特别是用于演示材料时，过度处理会让观众觉得不自然。
还有一种情况是局部对比度差异大，全局均衡化可能顾此失彼。这时候可以用自适应直方图均衡化（CLAHE），它把图像分成小块分别处理，效果更细腻。