首要任务是将图像加载到系统内存中。为此，需要导入脚本中必要的包。
import cv2
import numpy as np
import matplotlib.pyplot as plt
使用imread()方法将图像加载到系统RAM中。将使用灰度色彩格式：
image = cv2.imread("path_to_image.jpg", cv2.IMREAD_GRAYSCALE)
接下来，设置显示配置：
cv2.imshow("Grayscale Image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出将如下所示：
然后，将打印图像的形状以了解像素的数量：
print(image.shape)
print('Total Number Of Pixels In GRAYSCALE Image:', image.shape[0] * image.shape[1])
输出将如下所示：
如上图所示，正在处理大量的像素。
为了绘制可视化图形，将使用Python编程语言中可用的Matplotlib包。具体来说，将使用hist()方法，该方法可通过Matplotlib包使用。该方法接受多个参数，强烈建议查阅文档以进一步阅读和探索。以下是一些参数：
将关注三个特定的参数：
x: 这是将输入输入数组的参数。数组可以是一维的或多维的（2D+）。
bins: 它将接受一个整数值，表示直方图中的箱子数量。每个箱子将具有相同的宽度。
range: 这是一个包含两个值的列表或元组，表示箱子的最小和最大范围。本质上得到的输出是一个直方图，其中每个箱子是一个像素强度（从0到255），箱子的高度显示图像中属于该特定强度值的像素数量。
在统计学中，直方图将计算满足标准的值的数量，并将它们集体存储在一个称为箱子的垂直条中。在像素场景中，试图计算属于每个值从0到255的像素数量。
视觉将找到给定范围内的每个值的计数，通过计算和增加输入数组中的值，即x。每个值将有自己的箱子，其中将收集计数。
为了绘制像素强度直方图，尝试如下操作：
import matplotlib.pyplot as plt
plt.hist(x=image.ravel(), bins=256, range=[0, 256], color='crimson')
plt.title("Histogram Showing Pixel Intensities And Counts", color='crimson')
plt.ylabel("Number Of Pixels Belonging To The Pixel Intensity", color="crimson")
plt.xlabel("Pixel Intensity", color="crimson")
plt.show()
上述代码块的逐行解释如下：
首先导入所需的包/依赖项。
import matplotlib.pyplot as plt
接下来，使用hist()方法为提供一个直方图模板。向模板传递一个输入数组，即图像。但请注意，使用了NumPy包中提供的ravel()方法。ravel()方法将压缩一个多维数组（2D+）到一个单维数组（1D）。
plt.hist(x=image.ravel(), bins=256, range=[0, 256], color='crimson')
使用title()方法为直方图提供一个标题，并指定所选颜色。可以以文本形式输入名称，或提供十六进制颜色值。
plt.title("Histogram Showing Pixel Intensities And Counts", color='crimson')
然后，为图表的y轴提供标签，并指定所需的颜色。
plt.ylabel("Number Of Pixels Belonging To The Pixel Intensity", color="crimson")
尝试对图表的x轴做同样的事情，并指定所选颜色。
plt.xlabel("Pixel Intensity", color="crimson")
最后，在屏幕上显示图表。
plt.show()
上述代码块的输出将如下所示：
为了支持直方图，查看灰度图像本身，会发现图像左侧有大量深色阴影，这在直方图中反映为属于较低像素强度的大量像素，知道这是黑色。注意，当在灰度图像中向右移动时，白色像素的浓度增加，黑色像素减少。这在直方图中也有所体现。注意，在直方图的左侧，更多的像素属于白色阴影。
为了增加图像中像素的对比度，需要使用OpenCV包提供的equalizeHist()方法。
有一个关键参数需要指定：
src: 这是输入源图像，以数组形式存在。即对比度将增加的图像。
equalizeHist()方法将规范化（平滑）图像的亮度，从而尝试增加图像的对比度。
根据手头的任务，让尝试进行增加图像对比度的过程：
image_enhanced = cv2.equalizeHist(src=image)
cv2.imshow("Enhanced Contrast", image_enhanced)
cv2.waitKey(0)
cv2.destroyAllWindows()
上述代码块的输出将如下所示：
如上图所示，整个图像的对比度已经增加。可以通过查看增强对比度图像的像素直方图来确认对比度已经增加。
plt.hist(image_enhanced.ravel(), 256, [0,256], color="blue")
plt.title("Pixel Intensities And Counts In Enhanced Image", color="crimson")
plt.ylabel("Number Of Pixels Belonging To Pixel Intensity", color="crimson")
plt.xlabel("Pixel Intensity", color="crimson")
plt.show()
因此，通过新像素强度直方图得到加强，可以看到像素强度的范围已经通过直方图均衡技术大大减少。该方法有效地规范化了图像中的像素，并限制了像素的强度，从而使像素的颜色范围受到限制。这正如所知，已经减少了图像的亮度，并增加了对比度。
这就是关于高级图像对比度-像素强度直方图的文章。希望喜欢阅读这篇文章，并学习了关于Python编程语言中OpenCV包的新概念。
感谢时间。