图像基础回顾：像素与直方图、RGB与HSV色彩空间、噪声模型与信噪比
做低光照增强，说白了就是在跟像素打交道。你连像素都搞不明白，后面调参就是瞎蒙。这一章我把几个最基础、也最容易踩坑的概念捋一遍。嗯，都是我在项目里反复摔过跟头的地方。
2.1 像素——图像的最小单元
一张数字图像，本质上就是一个二维数组。每个格子就是一个像素。每个像素存的是一个数值——灰度图里是0~255的亮度值，彩色图里是三个通道的数值组合。
我刚开始做图像处理时，总觉得像素这东西太简单了，没啥好学的。直到有一次做夜间监控增强，发现图像暗部全是0，亮部全被裁成255——说白了就是动态范围被压碎了。那时候我才意识到：像素值的分布，直接决定了你能恢复多少细节。
关键认知：低光照图像中，大部分像素集中在0~50的低灰度区间。增强算法的本质，就是把这些挤在一起的暗像素“拉开”，让细节重新可见。
2.2 直方图——图像的“体检报告”
直方图统计的是每个灰度级上有多少个像素。横轴是灰度值（0~255），纵轴是像素数量。一张图好不好，直方图一眼就能看出来。
我习惯把直方图分成三种典型形态：
| 直方图形态 | 图像特征 | 典型场景 |
|---|---|---|
| 集中在左侧 | 整体偏暗，细节被压缩 | 夜间监控、暗光拍摄 |
| 集中在右侧 | 整体偏亮，可能过曝 | 强光下拍摄、逆光 |
| 集中在中间 | 对比度低，灰蒙蒙 | 雾天、水下、弱光均匀场景 |
你想想看，低光照增强的目标是什么？就是把左侧堆积的像素往右拉伸，同时不把中间和右侧的像素推过头。这就是直方图均衡化及其各种变体的核心逻辑。
我的习惯：拿到一张低光照图，第一件事就是看它的直方图。如果直方图左侧有一个“尖峰”且右侧几乎没像素，说明这张图的信噪比大概率很差，直接做全局增强会放大噪声。这时候我会先做局部自适应处理。
2.3 RGB与HSV色彩空间
做低光照增强，色彩空间的选择直接影响效果。我见过太多人直接在RGB上做增强，结果颜色全偏了。
2.3.1 RGB色彩空间
RGB是最直接的表示方式——红、绿、蓝三个通道叠加。每个通道0~255，三个通道组合出1600多万种颜色。
但RGB有个大问题：三个通道高度相关。你调整亮度，三个通道都得跟着变。我在项目中遇到过，用RGB做直方图均衡化，结果天空变成了紫色——因为三个通道的拉伸比例不一样，颜色就漂移了。
2.3.2 HSV色彩空间
HSV把颜色拆成三个独立分量：
- H（Hue，色调）：0°~360°，代表颜色种类
- S（Saturation，饱和度）：0~1，代表颜色纯度
- V（Value，明度）：0~1，代表亮度
为什么HSV更适合低光照增强？因为亮度和颜色分开了。你只动V通道，H和S保持不变，颜色就不会偏。我几乎所有低光照增强项目，第一步都是把图像从RGB转到HSV。
注意：RGB转HSV时，如果图像中有纯黑像素（R=G=B=0），H分量是未定义的。做除法时要注意除零保护。我曾经因为这个bug，调试了整整一个下午才找到原因。
下面这张图展示了RGB和HSV在低光照增强中的处理流程差异：
2.4 噪声模型与信噪比
低光照增强最大的敌人不是暗，是噪声。你增强亮度，噪声也跟着被放大了。所以理解噪声模型，是做增强的前提。
2.4.1 常见噪声类型
我在项目中遇到最多的噪声有三种：
| 噪声类型 | 产生原因 | 数学模型 | 典型表现 |
|---|---|---|---|
| 高斯噪声 | 传感器热噪声、电路噪声 | 均值为0，方差为σ² | 整张图均匀分布的颗粒感 |
| 泊松噪声（散粒噪声） | 光子到达的随机性 | 与信号强度平方根成正比 | 暗部噪声更明显 |
| 椒盐噪声 | 像素损坏、传输错误 | 随机出现纯黑或纯白像素 | 离散的黑白点 |
低光照场景下，泊松噪声是主导。因为光线弱，光子数量少，随机波动就相对更大。这也是为什么暗部看起来总是“脏脏的”。
2.4.2 信噪比（SNR）
信噪比就是信号功率与噪声功率的比值，单位是分贝（dB）。公式很简单：
SNR = 10 * log10(信号功率 / 噪声功率)信噪比越高，图像质量越好。一般来说：
- SNR > 40 dB：图像质量优秀，噪声几乎不可见
- SNR 20~40 dB：可接受，但暗部可能有可见噪声
- SNR < 20 dB：噪声明显，增强后需要额外去噪
实战经验：我做过一个夜间车牌识别项目，原始图像的SNR只有12 dB。直接做直方图均衡化后，SNR降到了8 dB——噪声被放大了。后来我改用先做BM3D去噪再做增强，SNR提升到28 dB，识别率从43%涨到了91%。
2.4.3 增强与噪声的博弈
低光照增强本质上是在做一件事：用信噪比换可见度。你提升暗部亮度，信号和噪声同时被放大。如果原始SNR太低，增强后的图像虽然亮了，但全是噪点，反而更难看。
我个人的经验法则是：
- 先评估原始图像的SNR。如果低于15 dB，先做去噪再做增强。
- 增强时尽量用局部自适应方法，避免全局拉伸放大暗部噪声。
- 增强后如果噪声明显，可以用非局部均值去噪做后处理。
避坑指南：我曾经在SNR只有8 dB的图上直接用了CLAHE（对比度受限自适应直方图均衡化），结果暗部的噪声被放大到比信号还强，整张图像全是彩色噪点。后来我养成了一个习惯——增强前先看直方图和SNR，再决定策略。
2.5 本章小结
这一章我们聊了像素、直方图、RGB与HSV色彩空间、噪声模型和信噪比。这些概念看起来基础，但每一个都在低光照增强中扮演着关键角色。说白了，你后面调参时遇到的每一个问题，根源都能追溯到这些基础知识上。