2、直方图均衡化（HE）：原理讲解、全局直方图均衡化实现、局限性分析

直方图均衡化，英文叫 Histogram Equalization，简称 HE。这名字听起来挺唬人，说白了就是「把图像的灰度分布拉均匀」。我刚开始接触图像处理时，觉得这玩意儿就是调对比度，后来踩了坑才发现——远没那么简单。

2.1 直方图均衡化的核心原理

先问一个问题：一张低光照片，它的直方图长什么样？

答案是——像素值都挤在暗区，比如 0~50 这个范围。亮区几乎没数据。整张图看起来灰蒙蒙的，细节全藏在暗部里。

直方图均衡化的思路很直接：把挤在一起的像素值，重新映射到整个 0~255 范围。让暗的更暗？不对。是让暗部的细节能拉开，亮部的细节也能保留。

核心公式（理解即可，不用背）：

新像素值 = (L - 1) × 累积分布函数(原像素值)

其中 L 是灰度级数，8位图就是 256。累积分布函数（CDF）就是把直方图从左边累加到右边。

举个例子。一张图只有 4 个像素：0、0、1、2。直方图是：0 出现 2 次，1 出现 1 次，2 出现 1 次。CDF 算出来：0→2，1→3，2→4。映射后：0→0，1→85，2→170。你看，原本挤在一起的 0 和 1，被拉开了。

嗯，原理就这么简单。但实际做起来，坑不少。

2.2 全局直方图均衡化实现

我习惯用 OpenCV 做快速验证。代码不长，但每一步都有讲究。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取低光图像
img = cv2.imread('low_light.jpg', cv2.IMREAD_GRAYSCALE)

# 全局直方图均衡化
equ = cv2.equalizeHist(img)

# 显示结果
plt.figure(figsize=(12, 6))
plt.subplot(2, 2, 1), plt.imshow(img, cmap='gray'), plt.title('原图')
plt.subplot(2, 2, 2), plt.imshow(equ, cmap='gray'), plt.title('HE 结果')
plt.subplot(2, 2, 3), plt.hist(img.ravel(), 256, [0, 256]), plt.title('原图直方图')
plt.subplot(2, 2, 4), plt.hist(equ.ravel(), 256, [0, 256]), plt.title('HE 直方图')
plt.tight_layout()
plt.show()

你看，核心就一行：cv2.equalizeHist()。但这一行背后，OpenCV 帮你做了三件事：统计直方图、计算 CDF、做映射。

我的习惯：做 HE 之前，先看一眼直方图。如果直方图是「单峰且集中在暗区」，HE 效果通常不错。如果直方图已经比较均匀了，HE 反而可能破坏原有风格。

我自己写过一个纯 Python 的实现，方便理解内部逻辑：

def my_equalize_hist(img):
    # 1. 统计直方图
    hist = np.zeros(256, dtype=np.int32)
    for pixel in img.ravel():
        hist[pixel] += 1
    
    # 2. 计算累积分布函数
    cdf = hist.cumsum()
    cdf_normalized = cdf * 255 / cdf[-1]  # 归一化到 0~255
    
    # 3. 映射
    equ = np.interp(img.ravel(), np.arange(256), cdf_normalized)
    return equ.reshape(img.shape).astype(np.uint8)

这段代码虽然慢，但每一步都看得见。我建议初学者至少手写一次，理解映射过程。

2.3 局限性分析：噪声放大与过增强

全局 HE 最大的问题是什么？我直接说结论：噪声放大 + 过增强。

为什么会这样？因为 HE 是全局操作。它不管某个区域是「细节丰富的暗部」还是「纯噪声的暗部」，一律拉伸。结果就是：噪声被放大，亮部被过度提亮，整张图看起来「假假的」。

我曾经踩过的坑：有一次做夜间监控视频增强，直接用全局 HE。结果画面里的雪花噪点全被放大，人脸反而看不清了。后来改用自适应直方图均衡化（CLAHE），才把问题解决。

具体来说，全局 HE 有三大硬伤：

问题 表现 原因
噪声放大 暗部出现明显颗粒感 HE 把低灰度区的微小差异也拉伸了
过增强 亮部细节丢失，出现「光晕」 全局映射导致高灰度区被过度压缩
对比度不自然 图像看起来「塑料感」 直方图被强制拉平，破坏了原有分布

我举个例子。一张夜景照片，天空部分本来只有一点点噪声。HE 之后，噪声变成了一粒一粒的白点。为什么？因为天空的像素值集中在 10~20，HE 把这个范围拉伸到了 0~80。原本相差 1 的两个像素，现在相差 4。噪声被放大了 4 倍。

另一个常见问题是「过增强」。比如人脸区域，原本亮度适中。HE 为了把暗部拉亮，把整个人脸的对比度也拉高了，结果颧骨、额头出现不自然的亮斑。这在医疗影像里尤其致命——可能会掩盖病灶。

一句话总结：全局 HE 适合「直方图集中且无噪声」的图像。对于低光照片，尤其是手机夜景、监控视频，直接上 HE 大概率翻车。

2.4 知识体系：HE 在低光增强中的位置

下面这张图是我自己整理的，帮你理清 HE 在整个低光增强技术栈里的位置。

直方图均衡化（HE）知识体系 直方图均衡化 (HE) 核心原理 全局 HE 实现 直方图统计 CDF 计算与映射 OpenCV 实现 手写实现 三大局限性 噪声放大 过增强 对比度不自然 结论：全局 HE 适合无噪声、直方图集中的图像；低光场景建议用 CLAHE 替代

你看，HE 的原理不复杂，实现也简单。但真正落地时，局限性才是关键。我个人的经验是：全局 HE 只适合做「快速预览」或「直方图非常集中的简单场景」。真要用于产品，至少得用 CLAHE（自适应直方图均衡化），或者结合去噪预处理。

避坑指南：如果你非要用全局 HE，记得先做一步高斯模糊或中值滤波，把噪声压一压。虽然会损失一点细节，但至少不会出现「噪声爆炸」的情况。

好了，这一章就到这里。HE 是基础，但也是很多高级增强方法的起点。理解了它的原理和局限，后面学 CLAHE、Retinex 这些方法时，你会更容易抓住本质。

← 上一章 📖 返回目录 下一章 →