一、图像增强概述：我们为什么要做这件事？
各位同学，欢迎来到《数字图像增强算法调优与项目落地》的第一章。
图像增强，说白了就是让一张图变得「更好用」。不是简单地调高亮度、拉高对比度那么简单。我做了这么多年视觉算法，最深的体会是：没有增强过的图像，就像没调过音的乐器——能响，但不好听。
你想想看，摄像头拍出来的原始数据，受光照、传感器噪声、镜头畸变的影响，直接扔给算法去处理，结果往往惨不忍睹。我刚开始做安防项目时，就吃过这个亏——晚上监控画面黑乎乎一片，人脸检测模型直接罢工。后来才明白，图像增强不是锦上添花，而是雪中送炭。
1.1 什么是图像增强？
图像增强，是指对原始图像进行一系列数学变换和滤波操作，有选择地突出某些信息，同时抑制或削弱不感兴趣的信息。它不增加图像的内容，而是让已有的内容更容易被人类或机器理解。
核心目标：
- 改善视觉效果——让人眼看着舒服、清晰
- 提升算法鲁棒性——让检测、识别、分割模型更稳定
- 统一数据分布——消除不同光照、设备带来的差异
举个例子，一张在逆光下拍的照片，人脸黑成一片。直方图均衡化可以把它拉亮，让五官显现出来。这就是增强。但要注意，增强不等于复原。复原是试图恢复原始场景的真实面貌，而增强是「按需加工」。我习惯把增强理解为：给图像画个妆，让它更适合当前的任务。
1.2 为什么需要图像增强？
这个问题，我分三个层面来讲。
| 层面 | 痛点 | 增强的作用 |
|---|---|---|
| 传感器限制 | 动态范围有限、噪声、暗光 | 扩展动态范围、去噪、提亮 |
| 环境干扰 | 雾霾、雨雪、光照不均 | 去雾、去雨、光照校正 |
| 任务需求 | 边缘模糊、对比度低、细节丢失 | 锐化、对比度拉伸、细节增强 |
我记得有一次做医疗影像项目，CT 图像的软组织对比度极低，医生根本看不清病灶边界。我们用了自适应直方图均衡化（CLAHE）之后，病灶区域一下就凸显出来了。那一刻我意识到：图像增强不只是技术问题，它直接关系到诊断的准确性。
我的经验：不要一上来就上复杂算法。先问自己三个问题：
- 这张图「不好」在哪里？——亮度？对比度？噪声？
- 谁在用这张图？——人眼还是机器模型？
- 增强后要达成什么指标？——PSNR？SSIM？检测精度？
想清楚这些，算法选型就简单多了。
1.3 工业界的典型应用场景
图像增强不是实验室里的玩具，它在工业界有非常硬核的应用。我挑三个最典型的场景来讲。
1.3.1 安防监控
安防是图像增强最大的战场之一。你想想看，监控摄像头 24 小时工作，白天黑夜、晴天雨天、逆光顺光，什么情况都有。
- 低光照增强：夜间监控画面往往又暗又噪。我做过一个项目，用 Retinex 理论把光照分量和反射分量分离，再对反射分量做去噪和增强，效果比直接提亮好得多。
- 去雾增强：雾天监控画面灰蒙蒙的，暗通道先验去雾算法是经典方案，但计算量大。后来我们改用基于深度学习的轻量级去雾网络，在边缘设备上也能跑实时。
- 宽动态增强：逆光场景下，亮部过曝、暗部死黑。多帧融合（HDR）是常用手段，但需要处理运动伪影。
避坑指南：我曾经在安防项目里直接套用公开的暗光增强模型，结果在红外夜视图上出现了严重的色彩畸变。后来才意识到，不同传感器的光谱响应曲线不同，增强算法必须针对传感器特性做适配。千万别拿一个模型打天下。
1.3.2 医学影像
医疗影像对图像质量的要求极高。一张模糊的 CT 或 MRI 图像，可能导致误诊。
- 对比度增强：医学图像往往动态范围大，但感兴趣区域的对比度低。CLAHE 是这里的标配算法，但参数（clip limit、tile size）需要根据器官类型调整。
- 去噪增强：低剂量 CT 噪声大，但辐射剂量又不能高。非局部均值去噪（NLM）和 BM3D 是经典方案，现在也有基于 CNN 的去噪网络。
- 边缘增强：血管、骨骼边缘需要锐化，但过度锐化会引入伪影。我习惯用非锐化掩模（Unsharp Masking）配合高斯滤波，控制增强强度。
我记得有一次，一个肺结节检测项目，原始 CT 图像中结节和周围组织的灰度差只有 10-15 个灰度级。我们用 CLAHE 把对比度拉伸到 40-50 级，检测模型的召回率从 72% 直接提升到了 89%。这就是增强的价值。
1.3.3 自动驾驶
自动驾驶对图像增强的要求是「实时」和「鲁棒」。车辆在行驶中，光照变化极快——进隧道、出隧道、树荫、逆光。
- 光照校正：Gamma 校正是最简单的方法，但固定 Gamma 值不够灵活。我建议用自适应 Gamma 校正，根据图像局部亮度动态调整参数。
- 去雨去雾：雨雪天气对视觉感知影响巨大。基于物理模型的去雨算法计算量大，现在业界更倾向于用轻量级 CNN 做端到端去雨。
- 动态范围压缩：HDR 相机能捕获更多细节，但输出图像需要做色调映射（Tone Mapping），才能在普通显示器上正常显示。
我的建议：自动驾驶场景中，增强算法必须考虑延迟。我见过有人用多尺度 Retinex 做增强，效果确实好，但单帧处理时间 200ms，根本跑不了实时。后来我们改用引导滤波 + 快速 CLAHE，把延迟压到了 15ms 以内。落地时，效率往往比效果更重要。
1.4 本章知识体系总览
下面这张图，是我梳理的本章知识结构。它帮你把「图像增强」这件事拆解清楚。
这张图把本章的核心逻辑串起来了。你从「图像增强」这个中心出发，往三个方向展开：为什么需要、做什么、用在哪。每个方向下面又有具体的子项。我建议你把这幅图记在脑子里，后续每一章都会回到这个框架上来。
1.5 本章小结
这一章我们聊了三个核心问题：
- 什么是图像增强——有选择地突出有用信息，抑制无用信息
- 为什么需要——传感器限制、环境干扰、任务需求
- 用在哪——安防、医疗、自动驾驶，每个场景都有独特的挑战
嗯，这里要强调一点：图像增强不是万能的。它不能凭空创造信息，只能让已有的信息更可用。我见过有人试图用增强算法去恢复一张完全过曝的照片，结果只是把噪声放大了。所以，认清增强的边界，比学会算法更重要。