3、自适应直方图均衡化（AHE）：局部对比度增强原理
直方图均衡化（HE）大家应该都熟悉了。全局拉一下直方图，简单粗暴。但我在实际项目中很快发现一个问题——全局处理对局部细节太不友好了。尤其是低光照图像，暗区细节往往被全局拉伸给“吞掉”了。
举个例子。一张夜景照片，左边是路灯下的行人，右边是漆黑的巷子。全局HE会把路灯区域的对比度拉得很高，但巷子里原本就微弱的信息，反而被压缩得更不明显了。你想想看，这显然不是我们想要的。
所以就有了自适应直方图均衡化（AHE）。说白了，就是把图像切成小块，每块单独做HE。这样每个局部都能根据自己的灰度分布来拉伸，暗区不会吃亏，亮区也不会过曝。
3.1 局部对比度增强原理
AHE的核心思想其实很简单：全局不行，那就局部来凑。
具体来说，我们把图像划分成若干个不重叠的矩形块（tiles），比如8×8或者16×16。对每个块单独计算直方图，然后做均衡化。每个像素的映射函数，由它所在块的累积分布函数（CDF）决定。
但这里有个问题——块与块之间会有明显的边界效应。你想想，相邻两个块的直方图分布可能差异很大，映射后的灰度值会跳变，结果就是图像上出现一块一块的“马赛克”。
怎么解决？双线性插值。每个像素的映射值，由它周围四个块的映射结果加权平均得到。这样过渡就平滑了。
核心公式（理解即可）：
对于像素点 (x, y)，找到它所在的四个相邻块中心点 A、B、C、D。
分别计算该像素在四个块下的映射值：f_A(x,y)、f_B(x,y)、f_C(x,y)、f_D(x,y)。
最终输出 = 双线性插值( f_A, f_B, f_C, f_D )。
嗯，这里要注意：块的大小直接影响效果。块太小，局部统计噪声大，容易放大噪声；块太大，又退化成全局HE。我个人习惯在8×8到32×32之间调参，具体看图像分辨率。
3.2 AHE实现步骤
下面我把AHE的完整实现步骤拆解一下。代码用Python+OpenCV演示，但原理是通用的。
- 读取图像并转灰度（如果是彩色图，可以转HSV后在V通道上处理，或者对RGB三通道分别做AHE再合并）。
- 划分图像块。设定块大小（tile_size），比如16×16。计算水平和垂直方向的块数。
- 对每个块计算直方图和CDF。注意边界块可能尺寸不足，需要填充或单独处理。
- 对每个块做直方图均衡化。得到每个块的映射查找表（LUT）。
- 遍历每个像素，找到它周围的四个块中心，用双线性插值计算最终灰度值。
- 输出增强后的图像。
代码实现如下（我简化了边界处理，重点展示核心逻辑）：
import cv2
import numpy as np
def ahe(image, tile_size=(16, 16)):
# 1. 灰度化
if len(image.shape) == 3:
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
else:
gray = image.copy()
h, w = gray.shape
tile_h, tile_w = tile_size
# 2. 计算块数
num_tiles_y = h // tile_h
num_tiles_x = w // tile_w
# 3. 存储每个块的CDF映射表
cdf_maps = np.zeros((num_tiles_y, num_tiles_x, 256), dtype=np.float32)
for ty in range(num_tiles_y):
for tx in range(num_tiles_x):
# 提取块区域
y_start = ty * tile_h
x_start = tx * tile_w
tile = gray[y_start:y_start+tile_h, x_start:x_start+tile_w]
# 计算直方图和CDF
hist = cv2.calcHist([tile], [0], None, [256], [0, 256]).flatten()
cdf = hist.cumsum()
cdf_normalized = (cdf - cdf.min()) * 255 / (cdf.max() - cdf.min() + 1e-6)
cdf_maps[ty, tx] = cdf_normalized
# 4. 双线性插值映射
result = np.zeros_like(gray, dtype=np.uint8)
for y in range(h):
for x in range(w):
# 计算相对位置
fy = (y / tile_h) - 0.5
fx = (x / tile_w) - 0.5
# 找到四个相邻块索引
ty1 = max(0, min(int(np.floor(fy)), num_tiles_y - 1))
ty2 = min(ty1 + 1, num_tiles_y - 1)
tx1 = max(0, min(int(np.floor(fx)), num_tiles_x - 1))
tx2 = min(tx1 + 1, num_tiles_x - 1)
# 计算插值权重
wy = fy - ty1
wx = fx - tx1
# 获取像素值
p = gray[y, x]
# 四个块的映射值
v11 = cdf_maps[ty1, tx1, p]
v12 = cdf_maps[ty1, tx2, p]
v21 = cdf_maps[ty2, tx1, p]
v22 = cdf_maps[ty2, tx2, p]
# 双线性插值
v = (1 - wy) * (1 - wx) * v11 + \
(1 - wy) * wx * v12 + \
wy * (1 - wx) * v21 + \
wy * wx * v22
result[y, x] = np.clip(v, 0, 255).astype(np.uint8)
return result我的经验：上面这段代码是教学版，性能不是最优的。实际项目中，我会用OpenCV的cv2.createCLAHE()，它内置了AHE并加了对比度限制（就是后面要讲的CLAHE）。但理解手写实现，能帮你真正搞懂原理。
3.3 AHE与HE的对比实验
光说不练假把式。我们拿一张典型的低光照图像来做对比。左边是原图，中间是全局HE，右边是AHE（块大小16×16）。
我直接说结论：
| 对比维度 | 全局HE | AHE |
|---|---|---|
| 暗区细节 | 提升有限，暗区仍偏暗 | 显著增强，暗区纹理清晰可见 |
| 亮区表现 | 容易过曝，高光细节丢失 | 局部自适应，亮区不过曝 |
| 噪声放大 | 整体噪声略有放大 | 平坦区域噪声明显放大（这是AHE的硬伤） |
| 计算速度 | 极快，O(n) | 较慢，O(n × 块数 × 插值) |
| 适用场景 | 光照均匀的图像 | 光照不均、暗区细节重要的图像 |
为什么会这样？我解释一下。
全局HE把整张图的灰度分布拉平，暗区的像素数量少，在全局直方图中占比低，所以拉伸力度不够。而AHE只看局部，暗区在自己的块里可能占主导地位，拉伸力度自然就大了。
但AHE有个致命问题——噪声放大。我在项目中遇到过这种情况：一张监控摄像头拍的夜间图像，用AHE处理后，暗区的细节是出来了，但噪点也全被放大了，整张图看起来“脏兮兮”的。尤其是平坦区域（比如天空、墙壁），原本只有一点点传感器噪声，AHE把它当成有效信息去拉伸，结果就是一片噪点。
避坑指南：我曾经在一个安防项目中，直接用AHE处理夜间监控画面，结果客户反馈“画面太花了”。后来我加了高斯滤波预处理，才勉强能用。但更好的方案是——用CLAHE（对比度限制自适应直方图均衡化），它给每个块的对比度拉伸加了个“天花板”，能有效抑制噪声放大。下一节我们会详细讲。
另外，AHE的计算量比HE大得多。HE只需要一次全局直方图计算和一次映射，而AHE需要对每个块都做一遍，还要做双线性插值。如果图像是1920×1080，块大小16×16，那就要处理120×67.5 ≈ 8100个块。嗯，实时处理有点吃力。
下面这张SVG图，帮你梳理AHE的完整流程和与HE的对比关系：
总结一下。AHE的核心价值在于局部自适应，它让暗区细节“重见天日”。但代价也很明显——噪声放大和计算开销。所以实际工程中，我很少直接用原始AHE，而是用它的改进版CLAHE。
不过，理解AHE是理解CLAHE的基础。你先把AHE的块划分、局部CDF、双线性插值这几个概念吃透，后面学CLAHE就水到渠成了。