2、经典夜景增强算法回顾

说到夜景增强，很多同学第一反应就是“拉亮度”。其实没那么简单。夜景图像的问题不只是暗，还有对比度低、细节被噪声淹没、颜色偏色。我早期做移动端相机算法时，踩过不少坑，今天就把几个经典方法掰开揉碎讲清楚。

2.1 直方图均衡化（HE）

直方图均衡化，说白了就是把像素值的分布“拉平”。让暗的地方变亮，亮的地方稍微压一压，整张图的对比度就上来了。

它的数学原理很简单：对灰度图像，计算累积分布函数（CDF），然后做映射。

// 伪代码：直方图均衡化核心
for each pixel (x, y):
    gray = image[x][y]
    new_gray = CDF[gray] * 255 / total_pixels

效果呢？对于整体偏暗但光照均匀的夜景，确实能提亮。但我遇到过一个问题——如果画面里有大面积天空或黑色区域，HE 会把噪声也放大，结果就是“噪点满天飞”。

2.2 自适应直方图均衡化（AHE / CLAHE）

为了解决 HE 的局部失效问题，AHE 出现了。它的思路是：把图像分成小块，每块单独做直方图均衡化。

但 AHE 有个致命伤——噪声放大更严重。尤其是平坦区域（比如夜空），本来噪声就不小，AHE 一搞，块与块之间的边界还会出现“块效应”。

于是 CLAHE（对比度限制自适应直方图均衡化）来了。它加了一个“裁剪”操作：

• 设定一个对比度上限（clip limit）
• 超过上限的像素被裁剪，重新分布到整个直方图
• 最后用双线性插值消除块边界

2.3 Retinex 理论及其变体

Retinex 理论认为，人眼感知的亮度 = 光照分量 × 反射分量。说白了，图像可以分解成“光照”和“物体本色”。

公式很简单：

I(x, y) = L(x, y) * R(x, y)

其中：
I = 观测图像
L = 光照分量（低频）
R = 反射分量（高频，包含细节）

我们想要增强夜景，就是去掉不均匀的光照，保留或增强反射细节。

2.3.1 单尺度 Retinex（SSR）

SSR 用高斯滤波估计光照分量，然后做对数域减法：

log(R) = log(I) - log(G * I)

其中 G 是高斯核，* 表示卷积

效果嘛，确实能去雾、提亮。但有个问题——高斯核的尺度 σ 很难选。σ 太小，细节保留好但颜色失真；σ 太大，颜色自然但细节模糊。

2.3.2 多尺度 Retinex（MSR）

MSR 就是多个 SSR 加权求和。用多个不同尺度的高斯核，取长补短。

R_msr = Σ w_i * [log(I) - log(G_i * I)]

其中 w_i 是权重，通常各取 1/3

我当年在项目里试过 MSR，效果确实比 SSR 好。但计算量也上来了——三个尺度的卷积，在移动端跑 1080p 图像，帧率直接掉到个位数。

2.3.3 MSRCR（带色彩恢复的 MSR）

MSR 有个毛病：颜色饱和度下降。MSRCR 加了一个色彩恢复因子 C，把颜色拉回来。

R_msrcr = C(x, y) * R_msr(x, y)

C(x, y) = β * log(α * I_i(x, y) / Σ I_j(x, y))

嗯，这里要注意：α 和 β 的取值很敏感。我调过一组参数，α=125，β=46，效果还行。但不同场景下，参数得重新调。

2.4 知识结构图

下面这张图把经典夜景增强算法的演进关系画清楚了：

2.5 避坑指南

我这些年做夜景算法，踩过几个大坑，分享给你：

• 别在 RGB 三个通道上直接做 HE——颜色会完全乱掉。我建议只在 YUV 的 Y 通道上做，或者转 HSV 后在 V 通道上做。
• CLAHE 的 tile size 别设太小——8×8 的 tile 在 1080p 图像上会产生上千个块，计算量爆炸。我一般用 64×64。
• Retinex 的高斯核半径——SSR 的 σ 取 80~120 比较稳。太小了细节全是噪声，太大了跟没做一样。
• 移动端实时性——MSR 三个尺度卷积，在 GPU 上可以用分离滤波加速。我曾在 Adreno 640 上把 720p 的 MSR 优化到 30fps。

好了，经典方法就回顾到这里。这些方法虽然老，但思想很扎实。后面讲硬件加速时，你会发现很多优化思路都是从这些基础方法里长出来的。