4. 图像增强与光照校正的数学基础

在农业图像处理中，无论是温室番茄的成熟度判别、果园苹果的病害检测，还是田间小麦的叶色分析，图像质量都直接决定后续算法的可靠性。而农业场景恰恰是光照条件最复杂的场景之一：大棚薄膜的散射光、树冠遮挡形成的斑驳阴影、早晚低角度阳光造成的强逆光、补光灯带来的局部过曝，都会让同一片叶片的像素值在不同时刻相差数倍。因此，理解图像增强与光照校正背后的数学工具，是构建稳定农业视觉系统的前提。

本节围绕四个核心数学工具展开：色彩空间、直方图、伽马校正与 Retinex 理论，并给出评价增强效果的三个客观指标。它们不是孤立的知识点，而是构成一条从“表示”到“分析”再到“校正”和“验证”的完整链条。

一、色彩空间：选择比计算更重要

RGB 是最直接的表示方式，三个通道分别对应红、绿、蓝的强度。它的优点是采集与显示一致，缺点是三个通道高度相关，亮度变化会同时改变三个分量，因此很难把“光照变化”和“物体本色”分开。在农业图像中，这意味着同一片叶子在阴影下和阳光下 RGB 值差异巨大，直接做阈值分割往往失效。

HSV 将颜色分解为色调 H、饱和度 S 和明度 V。H 描述颜色种类，S 描述颜色纯度，V 描述明暗。关键优势在于 H 分量对光照强度相对不敏感——一片绿色叶片在阴影中与阳光下，其 H 值仍集中在绿色区间。因此，基于 H 的阈值分割在农业场景中比 RGB 更稳健。需要注意的是，当 V 很低（接近黑色）或 S 很低（接近灰色）时，H 会变得不稳定，实际使用时应同时约束 S 和 V 的下限。

Lab 色彩空间的设计目标是感知均匀：相同的数值差对应近似相同的视觉差异。L 表示明度，a 表示绿—红轴，b 表示蓝—黄轴。在农业应用中，a 分量对叶片由绿转黄、果实由青转红的过程非常敏感，常被用于成熟度分级；同时 Lab 的 L 通道与色度分离较彻底，是做光照校正时的理想工作空间。实践中一个常见做法是：在 Lab 的 L 通道上做光照均匀化，再与原始 a、b 通道合并回 RGB，从而在保持颜色的同时改善亮度分布。

二、直方图：图像亮度分布的“体检报告”

灰度直方图统计每个灰度级出现的像素数量，反映图像的亮度分布。农业图像常见两类问题：一是整体偏暗（如阴天或遮阴），直方图集中在低灰度区；二是动态范围不足（如雾天或薄膜老化），直方图集中在中间窄带。直方图均衡化通过累积分布函数把灰度重新映射，使输出直方图近似均匀，从而拉伸对比度。

设输入灰度级为 r，归一化到 [0,1]，其累积分布为 T(r)，则均衡化映射为 s = T(r)。对于数字图像，实际操作是统计各级像素数 n_k，计算累积和并乘以 (L−1)/N（L 为灰度级数，N 为总像素数），再四舍五入取整。需要提醒的是，全局均衡化对农业图像并不总是友好：它可能放大背景噪声，也可能让原本均匀的叶片区域出现伪纹理。因此更常用的是限制对比度的自适应直方图均衡化（CLAHE），它把图像分块处理并限制每个块的对比度增益，在抑制噪声放大的同时提升局部细节。

三、伽马校正：非线性地调整明暗

伽马校正的形式非常简单：s = c · r^γ，其中 r 为归一化输入，γ 为伽马值，c 为常数。当 γ < 1 时，低灰度区被拉伸，图像整体变亮；当 γ > 1 时，高灰度区被压缩，图像整体变暗。它的价值在于“非线性”——不是简单地整体加减亮度，而是有针对性地调整某一段灰度。

在农业场景中，伽马校正常用于两个方向：一是对欠曝的冠层图像取 γ ≈ 0.6～0.8 提亮暗部，使阴影中的叶片细节显现；二是对过曝的果实高光区域取 γ ≈ 1.5～2.0 压暗高光，避免颜色饱和失真。实际实现时通常先归一化到 [0,1]，查表映射后再还原到 [0,255]，这样可以用 256 项查找表实现实时处理。需要注意，伽马校正是全局的，它无法区分“该亮的”和“不该亮的”，因此常与掩膜或局部方法配合使用。

四、Retinex 理论：把光照和反射分开

Retinex 理论的核心假设是：人眼感知到的图像 I 可以分解为光照分量 L 与物体反射分量 R 的乘积，即 I = L · R。其中 L 变化缓慢、对应照明分布，R 包含物体的真实颜色与纹理。光照校正的目标就是从 I 中估计 L 并去除它，得到更接近本色的 R。

单尺度 Retinex（SSR）用高斯滤波对 I 做平滑来估计光照：L ≈ I * G_σ，然后在对数域相减得到 R = log I − log(I * G_σ)。多尺度 Retinex（MSR）对多个 σ 的结果加权平均，兼顾全局照明趋势与局部细节。σ 的选择很关键：σ 过大，光照估计过于平滑，校正后仍残留阴影；σ 过小，会把纹理误当作光照去除，导致颜色失真。农业图像中常见的经验范围是 σ 取 15、80、250 三个尺度做加权，权重可按场景调整。此外，MSRCR 引入颜色恢复因子以补偿对数域处理造成的色彩灰化，在绿色植被图像中尤为重要。

五、客观评价指标：让“看起来更好”变成可测量

增强效果不能只靠肉眼判断。PSNR（峰值信噪比）基于均方误差，公式为 PSNR = 10 · log₁₀(MAX² / MSE)，单位 dB，数值越大表示与参考图像越接近。它的局限是只关注像素级误差，与人眼感知不完全一致。SSIM（结构相似性）从亮度、对比度和结构三方面比较，取值 0～1，越接近 1 表示结构越相似，对农业图像中的纹理和边缘保持更敏感。亮度均匀度则针对光照校正任务：把图像划分为若干块，计算各块平均亮度的标准差或极差，数值越小说明照明越均匀。三者应结合使用——PSNR 看保真，SSIM 看结构，均匀度看光照校正是否达标。

六、把工具串起来：一个可复现的处理示例

假设我们有一张温室番茄冠层图像，整体偏暗且右侧有强光斑。一个合理的处理顺序是：先将 RGB 转换到 Lab 空间，仅对 L 通道做 CLAHE（clipLimit 取 2.0，网格 8×8）以提升局部对比度；再用伽马校正 γ = 0.8 对整体提亮；随后对 L 通道应用 MSR（σ 取 15、80、250，权重 0.33 均分）抑制光斑造成的不均匀照明；最后合并通道转回 RGB。评价时，以人工均匀照明下拍摄的同一场景作为参考，计算 PSNR 与 SSIM，并统计 16×16 分块亮度均值的标准差作为均匀度。需要强调，以上参数属于示例性设置，实际应结合相机响应、作物种类和光照条件调整，并通过小批量对比实验确定。

理解这些数学工具的关键，不在于记住公式，而在于明白每个工具“改变了什么、保留了什么”。色彩空间决定信息如何被表示，直方图揭示分布问题，伽马校正做非线性明暗调整，Retinex 从物理模型出发分离光照，评价指标则把主观判断转化为可比较的数值。四者配合，才能让农业图像在复杂光照下依然稳定可用。