3. 全局均衡化的局限：过度增强、噪声放大与细节丢失

直方图均衡化（HE）听起来很完美，对吧？把灰度分布拉开，对比度就上来了。但我在实际项目中用过几次之后，发现事情没那么简单。

说白了，全局均衡化是个「一刀切」的做法。它对整张图用一个映射函数，不考虑局部差异。这就会带来三个典型问题：过度增强、噪声放大和细节丢失。

嗯，咱们一个一个来看。

3.1 过度增强：亮区更亮，暗区更暗

全局均衡化的核心是把累积分布函数（CDF）拉成直线。如果图像里某个灰度区间像素特别多，CDF 在那一段就会很陡。映射之后，这个区间的灰度间距被强行拉开，对比度暴增。

举个例子。一张背光拍摄的人像，背景是天空，人脸在阴影里。天空区域像素集中，均衡化后天空的灰度被过度拉伸，出现一块一块的「伪轮廓」。人脸区域本来像素就少，映射后灰度级被压缩，反而更暗了。

我在项目中遇到过一张医学 X 光片，骨骼区域和软组织区域灰度分布极不均匀。全局均衡化之后，骨骼边缘出现了不自然的亮带，差点被误判为病变。从那以后，我对这种「暴力拉伸」就特别警惕。

3.2 噪声放大：背景噪声被「提亮」

你想想看，图像里总有些区域是平坦的，比如纯色背景、天空、墙壁。这些区域的像素值本来很接近，灰度直方图里就是一个窄峰。

全局均衡化为了把直方图拉平，会把这个窄峰强行展开。原本微小的像素差异——比如传感器噪声、量化误差——被放大成肉眼可见的颗粒感。

为什么会这样？因为均衡化的映射函数是单调递增的，而且斜率等于直方图的高度。平坦区域的直方图高度虽然不大，但映射后灰度间距被拉伸，噪声的幅度也跟着被放大了。

我建议你在处理监控视频或遥感图像时特别注意这一点。这些场景里经常有大面积的均匀区域，全局均衡化一做，噪声全出来了。

3.3 细节丢失：小目标被「吞掉」

这是最隐蔽的问题。全局均衡化会压缩那些像素数量少的灰度区间。如果图像里有个小目标——比如暗色背景上的一个亮斑，或者亮背景里的一个暗点——它的灰度级可能只占几个 bin。

均衡化之后，这几个 bin 被合并到相邻的灰度级里，小目标就消失了。说白了，就是被背景「吞掉」了。

我记得有一次做细胞显微图像分析，细胞核的灰度范围只占整个直方图的 5%。全局均衡化之后，细胞核和细胞质的对比度反而下降了，因为它们的灰度级被压缩到了一起。分割算法直接失效。

3.4 三个问题的本质：全局映射的「一视同仁」

这三个问题其实都指向同一个根源：全局映射函数对整张图的所有像素使用相同的变换。

不管像素在哪个位置、属于哪个物体、是前景还是背景，只要灰度值相同，映射后的值就相同。这忽略了图像的空间结构。

下面这张图展示了全局均衡化的核心流程和问题产生的位置：

3.5 什么时候该用，什么时候该避开

全局均衡化不是不能用，但要选对场景。我个人的经验是：

• 适合用：图像整体偏暗或偏亮，且内容分布均匀。比如过曝或欠曝的风景照、医学 X 光片的初步增强。
• 不适合用：图像包含大面积平坦区域、小目标、或者光照不均匀的场景。比如背光人像、显微图像、遥感影像。

你可能会问：那有没有办法既增强对比度，又不放大噪声、不丢失细节？

有。这就是我们接下来要讲的自适应直方图均衡化（AHE）和限制对比度自适应直方图均衡化（CLAHE）。它们把图像分成小块，在每个小块里做均衡化，再用插值消除块效应。说白了，就是「局部问题局部解决」。

不过那是后面几章的内容了。这一章你只要记住：全局均衡化不是银弹。它简单、快速，但代价是可能破坏图像的局部结构和细节。在实际项目中，我建议你先分析图像的灰度分布特征，再决定用全局还是局部方法。