4. 图像点运算与灰度变换

图像点运算是最基础也最常用的一类空间域处理方法：输出像素的灰度值只由输入图像中同一位置的像素值决定，与邻域无关。正因如此，点运算计算量小、可实时处理，并且可以用一条映射曲线完整描述。本章围绕对比度增强这一目标，讲解 imadjust、histeq、adapthisteq 三个函数，它们分别对应线性拉伸、全局直方图均衡和自适应直方图均衡三种思路。

一、点运算的本质：灰度映射函数

设输入图像为 f(x,y)，输出为 g(x,y)，点运算可写成 g(x,y) = T[f(x,y)]。这里的 T 是一个一维函数，称为灰度变换函数或映射曲线。理解点运算，关键是理解这条曲线的形状：

• 斜率大于 1 的区间：灰度被拉开，对比度增强；
• 斜率小于 1 的区间：灰度被压缩，对比度降低；
• 水平段：多个输入灰度映射到同一输出，细节丢失（饱和/截断）；
• 斜率为负：灰度反转，即负片效果。

因此，对比度增强的实质就是把原本集中在窄灰度范围内的像素，重新分配到更宽的范围内。下面这张图给出了三种方法的映射曲线形态与直方图变化对比，是理解本章的关键。

二、imadjust：参数明确的线性拉伸

imadjust 是最直观的对比度调整工具，其核心是把输入灰度区间 [low_in, high_in] 线性映射到输出区间 [low_out, high_out]，并可选地施加 Gamma 校正。基本语法为：

J = imadjust(I, [low_in high_in], [low_out high_out], gamma);

其中 I 为输入图像，[low_in high_in] 与 [low_out high_out] 取值均在 [0,1] 之间（对 uint8 图像会自动按 255 归一化）。gamma 控制映射曲线的弯曲方向：gamma < 1 时曲线向上凸，暗部被提亮；gamma > 1 时曲线向下凹，亮部被压暗；gamma = 1 为纯线性。

实际使用中，low_in 和 high_in 通常由直方图确定。例如一幅整体偏暗的图像，其灰度大多集中在 30～120，若直接显示会显得灰蒙蒙。此时可执行：

I = imread('pout.tif');
J = imadjust(I, [0.1 0.5], [0 1]);
figure;
subplot(1,2,1); imshow(I); title('原图');
subplot(1,2,2); imshow(J); title('拉伸后');
subplot(2,2,1); imhist(I); title('原图直方图');
subplot(2,2,2); imhist(J); title('拉伸后直方图');

这里 [0.1 0.5] 表示把 25.5～127.5 的灰度范围拉满到 0～255。低于 25.5 的像素被截断为 0，高于 127.5 的被截断为 255，因此会损失一部分高光细节。判断拉伸是否合适，应同时观察直方图是否被拉开、图像是否出现大面积纯黑或纯白区域。若出现明显截断，应适当放宽区间，例如改为 [0.05 0.6]。

三、histeq：基于累积分布的全局均衡

histeq 不需要人工指定区间，它自动寻找一个映射，使输出图像的直方图尽可能接近均匀分布。其数学依据是：若 T 取输入灰度的累积分布函数（CDF），则输出灰度的分布趋于均匀。调用形式为：

J = histeq(I, n);   % n 为输出灰度级数，默认 64

直方图均衡对整体偏暗或偏亮、动态范围未充分利用的图像效果显著。例如一幅曝光不足的图像，均衡后暗部被大幅拉开，细节明显增多。但它也有明显局限：

• 它是全局操作，映射曲线由整幅图像的统计量决定，无法兼顾局部；
• 当图像中存在大面积背景（如天空、白墙）时，这些灰度级会占据大量像素，均衡后反而被过度拉伸，产生噪声放大和"洗白"现象；
• 输出灰度级数 n 过小会造成明显的灰度合并（伪轮廓），一般取 64～256。

因此，histeq 更适合直方图单峰、灰度集中、没有极端大面积均匀区域的图像。若图像本身已经接近均匀分布，均衡几乎不产生变化，此时不应强行使用。

四、adapthisteq：局部自适应的对比度受限均衡

adapthisteq 采用 CLAHE（Contrast Limited Adaptive Histogram Equalization）算法，把图像划分为若干小方块（tile），对每个 tile 单独做直方图均衡，再通过双线性插值消除块与块之间的边界。关键参数如下：

典型调用示例：

I = imread('tire.tif');
J = adapthisteq(I, 'NumTiles', [8 8], 'ClipLimit', 0.02, ...
                'NBins', 256, 'Distribution', 'uniform');
figure;
subplot(1,3,1); imshow(I); title('原图');
subplot(1,3,2); imshow(histeq(I)); title('histeq');
subplot(1,3,3); imshow(J); title('adapthisteq');

ClipLimit 是 CLAHE 的核心：它把每个 tile 直方图中超过阈值的部分裁剪掉，再均匀分配到各灰度级，从而限制局部对比度的放大倍数，避免噪声被过度增强。ClipLimit 越大，增强越强，但噪声也越明显；越小则越平滑。对于医学影像（如 X 光、眼底图）和低照度监控图像，adapthisteq 通常比 histeq 效果更好，因为它能在保留整体亮度的同时突出局部纹理。

五、方法选择与效果判断

面对一幅待增强的图像，可按以下思路选择方法：若灰度分布集中但形态正常，优先用 imadjust，因为参数可控、结果可预测；若整体偏暗且没有大面积均匀背景，可用 histeq 快速获得全局均衡；若图像局部明暗差异大、存在大面积背景或需要突出细节，则应使用 adapthisteq。判断增强是否成功，不能只看"是否变亮"，而应同时检查：直方图是否覆盖了更宽的灰度范围、暗部和亮部是否出现不可逆的截断、噪声是否被放大到影响后续分割或识别、以及目标区域的边缘是否比原图更清晰。只有这些指标都满足，增强才算真正服务于后续的机器视觉任务。