2. 对比度拉伸：从线性到自适应

图像预处理里，对比度拉伸是我用得最多的操作之一。说白了，就是把图像里太暗和太亮的像素拉开，让细节能看清楚。你想想看，一张雾蒙蒙的图，经过拉伸之后，纹理就全出来了。

这一节我们聊四种方法：线性拉伸、分段线性拉伸、直方图均衡化、自适应直方图均衡化。每种都有它的脾气，我一个个说。

2.1 线性拉伸：最直接的映射

线性拉伸的原理很简单。假设原始图像的最小灰度值是 \(I_{min}\)，最大是 \(I_{max}\)，你想把它拉伸到 \([0, 255]\) 区间。公式就是：

O = (I - I_min) * 255 / (I_max - I_min)

嗯，这里要注意。如果图像里有一个孤立的噪声点，比如一个纯白像素，那 \(I_{max}\) 就被拉到了 255，其他像素反而被压缩了。我在项目中遇到过这种情况——一张 CT 图像，因为传感器有个坏点，线性拉伸后整张图都发灰。

代码实现也很直接：

import numpy as np
import cv2

def linear_stretch(img, low_percent=1, high_percent=99):
    # 计算百分位
    p_low = np.percentile(img, low_percent)
    p_high = np.percentile(img, high_percent)
    
    # 截断并拉伸
    img_clipped = np.clip(img, p_low, p_high)
    img_stretched = (img_clipped - p_low) / (p_high - p_low) * 255
    
    return img_stretched.astype(np.uint8)

2.2 分段线性拉伸：想拉哪里拉哪里

线性拉伸是全局的，但有时候我们只想增强某个灰度区间。比如医学图像里，骨骼和软组织分布在不同的灰度范围，你想让骨骼更清晰，同时保留软组织细节。这时候分段线性拉伸就派上用场了。

分段线性拉伸把灰度轴分成几段，每段用不同的斜率拉伸。斜率大于 1 的区间会被拉伸，小于 1 的会被压缩。

区间	斜率	效果
[0, r1]	k1	压缩暗部
[r1, r2]	k2	拉伸目标区域
[r2, 255]	k3	压缩亮部

我曾经处理过一批工业检测的 X 光图像。缺陷区域集中在灰度 80-150 之间，背景在 200 以上。我设了三个分段：暗部压缩、中间拉伸、亮部压缩。效果立竿见影，缺陷的对比度提升了 3 倍。

def piecewise_linear(img, r1, s1, r2, s2):
    # 三段映射
    lut = np.zeros(256, dtype=np.uint8)
    for i in range(256):
        if i < r1:
            lut[i] = int(s1 / r1 * i)
        elif i < r2:
            lut[i] = int((s2 - s1) / (r2 - r1) * (i - r1) + s1)
        else:
            lut[i] = int((255 - s2) / (255 - r2) * (i - r2) + s2)
    return cv2.LUT(img, lut)

2.3 直方图均衡化：自动增强的利器

直方图均衡化（HE）是另一种思路。它不依赖人工设定参数，而是根据图像的直方图分布，自动生成一个映射函数。目标是让输出图像的直方图尽可能均匀分布。

原理其实不复杂。先计算累积分布函数（CDF），然后用 CDF 作为映射函数。直方图里像素多的灰度级会被拉伸，像素少的会被压缩。

我举个例子。一张背光拍摄的照片，人脸区域集中在暗部，背景在亮部。均衡化之后，人脸的细节会变得非常清楚。但有个问题——背景可能会过曝。

def histogram_equalization(img):
    # 如果是彩色图，先转 YUV 只处理亮度通道
    if len(img.shape) == 3:
        img_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
        img_yuv[:,:,0] = cv2.equalizeHist(img_yuv[:,:,0])
        return cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR)
    else:
        return cv2.equalizeHist(img)

2.4 自适应直方图均衡化：解决光照不均

全局均衡化的短板很明显。我处理过一张显微图像，左上角有强光源，右下角是阴影。全局均衡化之后，阴影区域的噪声被放大了好几倍，根本没法看。

自适应直方图均衡化（AHE）就是来解决这个问题的。它把图像分成一个个小窗口（tile），在每个窗口内独立做均衡化。这样每个局部都能得到合适的增强。

但 AHE 有个毛病——它容易放大噪声。尤其是在均匀区域，比如天空或皮肤，噪声会被明显增强。

后来有了限制对比度自适应直方图均衡化（CLAHE）。它在每个窗口做均衡化时，会限制对比度的放大倍数。超过阈值的部分会被裁剪并重新分布。

方法	窗口大小	对比度限制	适用场景
全局 HE	整图	无	光照均匀的图像
AHE	8×8 或 16×16	无	光照不均但噪声低
CLAHE	8×8	2-4	大多数场景

def clahe_enhance(img, clip_limit=2.0, tile_size=8):
    clahe = cv2.createCLAHE(
        clipLimit=clip_limit,
        tileGridSize=(tile_size, tile_size)
    )
    
    if len(img.shape) == 3:
        img_lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
        img_lab[:,:,0] = clahe.apply(img_lab[:,:,0])
        return cv2.cvtColor(img_lab, cv2.COLOR_LAB2BGR)
    else:
        return clahe.apply(img)

2.5 四种方法对比总结

方法	优点	缺点	我常用的场景
线性拉伸	简单、速度快	受极值影响大	传感器标定后的原始数据
分段线性拉伸	灵活控制局部	需要人工调参	工业检测、医学图像
直方图均衡化	自动增强、效果好	全局操作、可能过增强	背光照片、监控图像
CLAHE	自适应、抑制噪声	计算量大、参数敏感	显微图像、遥感图像

我个人习惯是：先试线性拉伸，不行就上 CLAHE。分段线性拉伸虽然灵活，但调参太费时间，除非场景非常固定，否则我不太推荐在生产环境里用。