cv2.equalizehist仅支持uint8单通道图像，遇浮点或高位深图像会报错；numpy实现可自定义数据类型与cdf计算，支持遥感、医学等多格式影像。
为什么直接用 cv2.equalizeHist 不行，非要用 NumPy 手写？
因为 cv2.equalizeHist 只支持单通道 8 位图像（uint8），遇到浮点型遥感图、16 位医学影像、或已归一化到 [0, 1] 的模型输出时会报错：TypeError: Expected cv::UMat for argument 'src'。NumPy 实现能绕过 OpenCV 类型限制，全程控制数据类型和累积逻辑。
核心步骤：从像素统计到映射表构建
直方图均衡化的本质是重映射——把原图每个灰度级 r 映射为新灰度级 s，公式是 s = (L-1) * cdf(r)，其中 cdf 是归一化累计分布函数，L 是灰度级总数（如 256）。关键不在“算得对”，而在“算得快且不溢出”：
-
cdf必须用np.cumsum而非循环累加，否则 1024×1024 图像要慢 100 倍以上 - 输入如果是
float64，先用np.clip截断再乘以L-1，否则cdf可能略超 1.0 导致映射越界 - 最终映射必须用
np.uint8或原 dtype 强制转换，否则插值或保存时出错
示例（通用单通道）：
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
def hist_equalize(img: np.ndarray) -> np.ndarray:
L = 256
# 统计直方图（自动适配 dtype）
hist, _ = np.histogram(img, bins=L, range=(0, L-1) if img.dtype == np.uint8 else (img.min(), img.max()))
cdf = hist.cumsum().astype(np.float64)
cdf = (cdf - cdf.min()) / (cdf.max() - cdf.min()) # 归一化到 [0, 1]
cdf = (cdf * (L-1)).astype(np.uint8) # 映射回灰度级
# 用查找表加速映射（比循环快 50 倍）
return cdf[img.astype(np.uint8)] if img.dtype == np.uint8 else cdf[(img * (L-1)).astype(np.uint8)]
处理多通道图像时，RGB 和 YUV 的区别在哪？
对 RGB 直接逐通道均衡，会导致色偏（比如绿色通道拉伸太强，人脸发绿）。更合理的是转到 YUV/YIQ 空间，只对亮度通道 Y 均衡，再转回：
- 用
cv2.cvtColor(img, cv2.COLOR_RGB2YUV)提取Y通道，传给上面的hist_equalize - 注意
Y在 OpenCV 中是uint8，范围 0–255；但某些库输出的Y是 float，需先np.clip(y, 0, 1) * 255 - 别用
skimage.exposure.equalize_hist——它默认做全局归一化，不生成标准 CDF 查找表，结果和 OpenCV 不一致
16 位图像或 float 图像怎么避免精度丢失？
直接套用 256 级 CDF 会严重压缩动态范围。正确做法是保持原始位宽：
- 16 位图像（
uint16）：设L = 65536，但内存占用翻倍，建议先用np.interp降采样到 4096 级直方图再算 CDF - float 图像（
[0, 1]）：不要乘 255 再转uint8，而是用np.histogram(img, bins=1024, range=(0, 1))，CDF 后线性映射回[0, 1] - 所有 float 输入必须加
np.nan_to_num(img, nan=0.0)，否则np.histogram报ValueError: array must not contain infs or NaNs
实际中，超过 8 位的图像均衡后人眼难分辨差异，重点反而是保留后续处理所需的数值范围——这点常被忽略。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
