4、经典光照补偿方法（一）：直方图均衡化（HE）、自适应直方图均衡化（AHE）、原理与实现

光照不均，说白了就是图像里有的地方太亮、有的地方太暗。做图像预处理时，这问题特别头疼。我早期做工业检测项目时，就吃过这个亏——产品表面反光不均，导致后续特征提取全乱套。后来发现，直方图均衡化这类方法，虽然老，但真管用。

这一章，咱们就聊聊两种最经典的光照补偿方法：直方图均衡化（HE）和自适应直方图均衡化（AHE）。我会把原理讲透，再配上代码实现，让你看完就能上手用。

4.1 直方图均衡化（HE）原理

直方图均衡化的思路很直观：把图像的灰度分布“拉平”。你想想看，如果一张图偏暗，它的直方图肯定集中在低灰度区域。均衡化就是把这些像素重新分配，让它们在整个灰度范围内均匀分布。

数学上，它做的是非线性拉伸。具体来说，用累积分布函数（CDF）作为映射函数：

s_k = T(r_k) = (L-1) * Σ p_r(r_j)   (j从0到k)

其中，r_k是输入灰度，s_k是输出灰度，L是灰度级数（通常256），p_r(r_j)是第j级灰度的概率。

我习惯把这个过程理解为“资源再分配”。原来拥挤在暗区的像素，被强制分散到更亮的区域。效果就是：对比度提升，细节更清晰。

4.2 HE的Python实现

OpenCV里直接提供了HE函数，一行代码就能搞定。但我建议你手动实现一次，这样才能真正理解它的原理。

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

# 读取图像（灰度图）
img = cv2.imread('low_light.jpg', 0)

# 方法一：OpenCV内置函数
he_opencv = cv2.equalizeHist(img)

# 方法二：手动实现
def my_equalize_hist(img):
    # 计算直方图
    hist = cv2.calcHist([img], [0], None, [256], [0, 256])
    # 计算累积分布
    cdf = hist.cumsum()
    # 归一化到[0, 255]
    cdf_normalized = (cdf - cdf.min()) * 255 / (cdf.max() - cdf.min())
    # 映射
    result = np.interp(img.flatten(), range(256), cdf_normalized)
    return result.reshape(img.shape).astype(np.uint8)

he_manual = my_equalize_hist(img)

# 显示结果
plt.subplot(131), plt.imshow(img, cmap='gray'), plt.title('原始')
plt.subplot(132), plt.imshow(he_opencv, cmap='gray'), plt.title('OpenCV HE')
plt.subplot(133), plt.imshow(he_manual, cmap='gray'), plt.title('手动 HE')
plt.show()

你看，手动实现的核心就三步：算直方图、算CDF、做映射。OpenCV的equalizeHist底层也是这么干的。

4.3 HE的局限性

HE虽然简单，但问题也很明显。我总结了几点：

• 全局处理：它把整张图当成一个整体，无法处理局部光照差异
• 噪声放大：在均匀区域，HE会把微小的灰度差异放大成明显的噪声
• 过度增强：某些区域对比度提升过头，看起来不自然

举个例子，一张图左边暗右边亮，HE会让左边变亮，但右边可能就过曝了。这就是全局方法的硬伤。

4.4 自适应直方图均衡化（AHE）原理

为了解决HE的全局问题，AHE出现了。它的思路是：分块处理。

具体做法：

1. 把图像分成若干个小块（比如8×8或16×16）
2. 对每个小块单独做HE
3. 用插值法消除块之间的边界效应

这样做的好处很明显：每个小块只处理自己的局部区域，光照不均的问题自然就解决了。我做过一个医疗影像项目，X光片里骨骼和软组织亮度差异巨大，用HE效果很差，换成AHE后细节全出来了。

4.5 AHE的Python实现

OpenCV里没有直接的AHE函数，但提供了createCLAHE——这是AHE的改进版。不过，咱们先看看纯AHE怎么实现：

def ahe(img, tile_size=8):
    h, w = img.shape
    result = np.zeros_like(img)
    
    # 分块处理
    for i in range(0, h, tile_size):
        for j in range(0, w, tile_size):
            # 提取小块
            tile = img[i:i+tile_size, j:j+tile_size]
            # 对小块做HE
            tile_he = cv2.equalizeHist(tile)
            # 放回结果
            result[i:i+tile_size, j:j+tile_size] = tile_he
    
    return result

# 使用
ahe_result = ahe(img, tile_size=16)

这段代码很直观，但有个问题：块与块之间会有明显的边界。为了解决这个问题，实际应用中会用双线性插值来平滑过渡。

4.6 HE与AHE对比

我把两者的核心差异整理成了一张表，方便你对比：

特性	HE	AHE
处理范围	全局	局部（分块）
光照不均适应性	差	好
计算复杂度	低（O(n)）	较高（O(n×块数)）
噪声放大	中等	较高（均匀区域更明显）
块状伪影	无	有（需插值消除）
适用场景	整体光照均匀的图像	光照变化复杂的图像

从表里能看出来，AHE在适应性上完胜，但代价是计算量和噪声问题。所以实际项目中，我一般先用HE试试，效果不行再上AHE。

4.7 知识体系图

下面这张SVG图，帮你理清HE和AHE的关系：

4.8 实际项目中的选择建议

说了这么多，到底什么时候用HE，什么时候用AHE？我根据经验给你几个建议：

• 图像整体光照均匀：用HE，简单高效
• 光照变化平缓：用AHE，块大小设大一点（32×32以上）
• 光照变化剧烈：用AHE，块大小设小一点（8×8到16×16）
• 实时性要求高：优先HE，或者用下一章要讲的CLAHE（带对比度限制的AHE）