📚 课程目录第3章传统增强方法（一）

3. 传统增强方法（一）：直方图均衡化（HE）、自适应直方图均衡化（AHE）、限制对比度自适应直方图均衡化（CLAHE）

聊到低照度图像增强，很多人第一反应就是上深度学习。但说实话，在我十几年的ISP调试生涯里，真正在产线上用得最多、最稳的，反而是今天要讲的这三个传统方法。它们就像工具箱里的螺丝刀——不花哨，但关键时刻真能解决问题。

直方图均衡化（HE）、自适应直方图均衡化（AHE）、限制对比度自适应直方图均衡化（CLAHE），这三兄弟是递进关系。咱们一个一个拆开看。

3.1 直方图均衡化（HE）——最朴素的亮度拉伸

HE的原理其实特别简单。你想想看，一张暗图，它的像素大多挤在低灰度区。HE要做的，就是把这种“挤在一起”的分布，强行拉开，让整个灰度范围都利用起来。

数学上，它用的是累积分布函数（CDF）做映射。我直接给你看代码，比讲公式直观得多：

import cv2
import numpy as np

# 读取低照度图像（灰度）
img = cv2.imread('dark_scene.png', 0)

# 直方图均衡化
equ = cv2.equalizeHist(img)

# 拼接对比
result = np.hstack((img, equ))
cv2.imwrite('he_result.png', result)

就一行 cv2.equalizeHist()，效果立竿见影。但——嗯，这里要注意，HE有个致命伤：它是对整张图做全局映射。如果图像里既有亮区又有暗区，HE会把亮区拉得更亮，暗区压得更暗。我在项目中遇到过，用HE处理夜间监控画面，结果路灯区域过曝成一片白，完全没法看。

避坑指南：我曾经在安防项目里直接用HE处理1080P的夜间图像，结果天空区域的噪点被放大了3倍以上。后来才意识到，HE在拉伸对比度的同时，也会把噪声的对比度一起拉伸。所以，HE只适合光照相对均匀的场景，比如文档扫描、X光片。

3.2 自适应直方图均衡化（AHE）——局部救星

HE的全局问题怎么解决？我当时的想法是：既然全局不行，那就分块做。AHE就是这么干的——把图像分成若干个小窗口，在每个窗口内独立做HE。

这样做的好处很明显：每个局部都能得到最适合自己的拉伸。暗区不会被亮区拖累，亮区也不会被暗区影响。

但AHE也有新问题。我直接说痛点：

计算量大：每个窗口都要算一次CDF，实时性堪忧
块效应严重：窗口边界处会出现明显的拼接痕迹
噪声放大更猛：在均匀区域（比如天空、墙壁），AHE会把微小的噪声差异放大成明显的颗粒

我记得有一次调试车载夜视系统，用AHE处理路面图像，结果柏油路面的纹理被过度增强，看起来像龟裂一样。客户直接问：“你们这摄像头是不是坏了？”

个人经验：AHE的窗口大小选择很关键。我一般建议窗口尺寸取图像宽高的1/8到1/16。窗口太小，噪声爆炸；窗口太大，又退化成HE。这个平衡点，需要根据实际场景反复试。

3.3 限制对比度自适应直方图均衡化（CLAHE）——工程最优解

CLAHE就是在AHE基础上打了两个补丁：

限制对比度：在计算直方图时，设定一个阈值，把超过阈值的部分裁剪掉，再均匀分布到整个灰度区间。说白了，就是不让任何一个灰度级“太突出”。
双线性插值：消除块效应。每个像素的映射值，由它周围四个窗口的映射结果插值得到。

这两个改进，直接让CLAHE成了工程界的宠儿。我直接给你看OpenCV的实现参数：

import cv2

# 创建CLAHE对象
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))

# 应用CLAHE
img = cv2.imread('dark_scene.png', 0)
clahe_img = clahe.apply(img)

# 保存结果
cv2.imwrite('clahe_result.png', clahe_img)

参数就两个，但调起来门道很多：

参数	作用	我的调参建议
`clipLimit`	对比度限制阈值，越大增强越强	低照度场景建议2.0~4.0，过曝场景建议1.0~2.0
`tileGridSize`	分块大小，影响局部自适应程度	默认8×8，细节丰富场景可降到4×4，平滑场景可升到16×16

核心结论：CLAHE是传统直方图方法里最实用的一个。它既保留了AHE的局部自适应能力，又通过限制对比度抑制了噪声放大。在我参与过的3A算法联动项目中，CLAHE常被用作AE（自动曝光）的预处理模块，用来评估当前帧的局部亮度分布是否合理。

3.4 三者的核心差异对比

我习惯用一张表来总结它们的区别，这样你在选型时一眼就能看明白：

方法	作用域	噪声控制	计算开销	适用场景
HE	全局	差	低	光照均匀的图像（文档、X光）
AHE	局部（分块）	极差	高	需要局部增强但不介意噪声（科研实验）
CLAHE	局部（分块+插值）	好	中	工程落地首选（监控、车载、手机拍照）

3.5 知识体系结构图

下面这张图，把三者的演进关系、核心机制和工程权衡画清楚了。你保存下来，以后做方案选型时直接对照：

3.6 实战中的选择建议

最后，我结合自己的项目经验，给你几条实在的建议：

做预处理：如果你只是想把图像提亮一点做后续分析，CLAHE是首选。clipLimit设2.0，tileGridSize设8×8，基本不会翻车。
做实时系统：如果算力有限（比如嵌入式设备），可以考虑HE或者降低CLAHE的分块数。我曾在海思3516上跑CLAHE，tileGridSize设16×16，帧率能稳定在30fps。
做3A联动：CLAHE的结果可以用来指导AE的目标亮度调整。比如，CLAHE增强后如果暗区仍然偏暗，说明当前曝光不足，需要提高AE target。
做对比实验：别只盯着PSNR/SSIM。我建议你同时看增强后的局部对比度和噪声水平，这两个指标往往比全局指标更能反映实际效果。