直方图正规化：
图像为I,宽为W,高为H，I(r,c)代表I的第r行第c列的灰度值；输出图像记为O,为使得输出图像的灰度值在[Omin，Omax]范围里，可用如下公式：
（1）
（2）
其中0≤r＜H,0≤c＜W。公式（1）是一个比列关系，变换后可为公式（2），即可求输出图像O（r,c）。
而Imin与Omin对应，此点（Imin，Omin）在线性方程上，则斜率：
将 （Imin，Omin）带入线性方程中， b值：
该方程变成： 
最终可为： 
正规化自己编写与使用normalize函数代码如下：
normalize函数代码：
import numpy as np
import cv2 as cv
src=np.array([[1,2,3],[4,5,6]])
b=np.zeros((2,3))
# c=cv.normalize(src,dst=b,alpha=4,beta=0,norm_type=cv.NORM_L1) # L1范数
# c=cv.normalize(src,dst=b,alpha=4,beta=0,norm_type=cv.NORM_L2) # L2范数
# c=cv.normalize(src,dst=b,alpha=4,beta=0,norm_type=cv.NORM_INF) # 无穷范数
c=cv.normalize(src,b,20,255,norm_type=cv.NORM_MINMAX)
print('c=',c)
自己编写代码：
# 原始图像
IMAX=np.max(src)
IMIN=np.min(src)
OMIN,OMAX=20,255
A=float(OMAX-OMIN)/(IMAX-IMIN)
B=OMIN-A*IMIN
O=A*src+B
print('O=',O)
其验证结果，如下：
L1范数：图像矩阵中值的绝对值的和（L1）
L2范数：图像矩阵中值的平方和的开发(L2)
无穷范数：图像矩阵中值的绝对值的最大值(L3)
求得值简称：L
所有公式可表示：
对应代码：dst=cv.normalize(src,dst,alpha=1,beta=0,norm_type=cv.NORM_L1)
伽马变换：
0≤r＜H,0≤c＜W
当 
=1时，图像不变。如果图像整体或者感兴趣区域较暗，则令0＜
＜1可以增加图像对比度；相反，如果图像整体或者感兴趣区域较亮，则
＞1可以降低图像对比度。