📚 课程目录第4章图像增强技术

4. 图像增强技术：直方图均衡化、对比度拉伸、自适应直方图均衡化（CLAHE）

在晶圆表面微颗粒缺陷的显微图像中，原始图像往往存在光照不均、对比度低、背景噪声干扰等问题。图像增强技术旨在改善图像的视觉质量，突出缺陷特征，为后续的分割与识别奠定基础。本节将系统讲解三种核心增强方法：直方图均衡化、对比度拉伸以及自适应直方图均衡化（CLAHE），并分析其在晶圆缺陷检测中的适用场景。

4.1 直方图均衡化（Histogram Equalization, HE）

直方图均衡化通过重新分布图像像素的灰度级，使输出图像的直方图近似为均匀分布，从而增强全局对比度。对于灰度范围较窄的晶圆显微图像，HE 能有效拉伸灰度动态范围，使原本模糊的缺陷边缘变得清晰。

  核心原理： 将原始图像的累积分布函数（CDF）映射到均匀分布的 CDF，实现灰度级的非线性拉伸。

晶圆应用提示： 直方图均衡化适用于光照均匀、背景单一的晶圆图像。若图像存在明显的光晕或阴影，HE 会过度增强背景区域，导致缺陷特征被淹没。

4.2 对比度拉伸（Contrast Stretching）

对比度拉伸是一种基于线性或分段线性变换的图像增强方法。通过设定输入灰度范围 [r_min, r_max] 和输出灰度范围 [s_min, s_max]，将原始灰度线性映射到目标区间，从而有选择地增强感兴趣区域的对比度。

对比度拉伸常见映射函数
映射类型	变换公式	适用场景
线性拉伸	s = (r - r_min) × (s_max - s_min) / (r_max - r_min) + s_min	整体灰度范围过窄
分段线性拉伸	多段斜率控制，增强中间灰度范围	突出缺陷灰度区间，抑制背景
百分比截断拉伸	截取直方图两端一定百分比后拉伸	去除极值噪声干扰

参数选择注意事项： 分段点的选择需基于晶圆图像的灰度直方图分析。通常将 r₁ 和 r₂ 设定在缺陷灰度分布的两端，避免过度拉伸背景噪声。建议先对图像进行灰度采样统计，再确定分段阈值。

4.3 自适应直方图均衡化（CLAHE）

CLAHE（Contrast Limited Adaptive Histogram Equalization）是直方图均衡化的改进版本，专门解决全局 HE 在光照不均匀图像上的局限性。其核心思想是将图像划分为若干小块（tiles），在每个小块内独立进行直方图均衡化，并通过双线性插值消除块间边界效应。同时引入对比度限制参数，防止噪声过度放大。

  CLAHE 关键参数：
  tileGridSize： 分块大小（如 8×8），决定局部自适应程度。
clipLimit： 对比度限制阈值（如 2.0~4.0），控制噪声抑制强度。
distribution： 目标直方图分布类型（均匀/指数/瑞利）。

4.4 三种方法对比与选择

图像增强方法对比
方法	对比度增强效果	噪声敏感性	光照不均适应性	计算复杂度	晶圆适用场景
直方图均衡化 (HE)	全局增强，效果显著	高，易放大噪声	差	低	光照均匀的晶圆图像
对比度拉伸	可控，需手动调参	中等	中等	低	已知缺陷灰度范围的图像
CLAHE	局部自适应，效果均衡	低（通过 clipLimit 控制）	优秀	中等	光照不均、背景复杂的晶圆

4.5 代码实现示例（OpenCV）

以下代码展示了使用 OpenCV 对晶圆显微图像进行三种增强处理的实现方式。实际应用中建议先对图像进行灰度化预处理。

import cv2
import numpy as np

# 读取晶圆显微图像（灰度模式）
img = cv2.imread('wafer_defect.jpg', cv2.IMREAD_GRAYSCALE)

# 1. 直方图均衡化
he_img = cv2.equalizeHist(img)

# 2. 对比度拉伸（线性拉伸至 [0, 255]）
min_val = np.min(img)
max_val = np.max(img)
stretch_img = ((img.astype(np.float32) - min_val) /
               (max_val - min_val) * 255).astype(np.uint8)

# 3. CLAHE 增强
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_img = clahe.apply(img)

# 保存结果
cv2.imwrite('wafer_he.jpg', he_img)
cv2.imwrite('wafer_stretch.jpg', stretch_img)
cv2.imwrite('wafer_clahe.jpg', clahe_img)

参数调优建议： 对于晶圆微颗粒缺陷检测，建议 clipLimit 初始值设为 2.0~3.0，tileGridSize 设为 (8,8) 或 (16,16)。若缺陷尺寸较小，可适当减小 tileGridSize 以增强局部细节；若背景噪声明显，则增大 clipLimit 值。

4.6 增强效果评估指标

为定量评估图像增强效果，可结合以下指标进行客观分析：

对比度改善指数（CII）： 增强后图像与原始图像的局部对比度比值。
峰值信噪比（PSNR）： 衡量增强后图像与参考图像之间的失真程度。
结构相似性指数（SSIM）： 评估增强后图像的结构保真度。
缺陷检测召回率： 增强后缺陷检测算法能正确识别的缺陷比例。

实践提醒： 图像增强并非越强越好。过度增强可能导致伪缺陷出现（如将正常晶粒边界误判为缺陷），或使真实缺陷特征失真。建议在增强后结合人工标注验证，确保增强操作不引入新的误检源。