3. 直方图均衡化：原理、实现与局限性

直方图均衡化，说白了就是让图像的灰度分布更均匀。你想想看，一张曝光不足的照片，像素都挤在暗区；一张过曝的照片，像素都堆在亮区。均衡化就是把这些挤在一起的像素「摊开」，让它们占满整个灰度范围。

我刚开始做图像增强时，第一个学的就是它。当时觉得这算法真神奇，几行代码就能让图像变通透。后来在项目中踩了不少坑，才发现它远没有表面那么简单。

3.1 核心原理：从概率到映射

均衡化的数学基础其实很直观。我们拿一张 8 位灰度图来说，灰度值范围是 0~255。假设原始图像的灰度概率密度为 p(r)，累积分布函数为 CDF(r)。均衡化要做的事情就是：

s = T(r) = (L-1) × CDF(r)

其中 L 是灰度级数（256），CDF(r) 是累积概率。这个映射保证输出图像的直方图近似均匀分布。

举个例子。一张 4×4 的 8 位图像，像素值如下：

灰度值	0	1	2	3	4	5	6	7
像素数	2	4	6	3	1	0	0	0
概率	0.125	0.25	0.375	0.1875	0.0625	0	0	0
CDF	0.125	0.375	0.75	0.9375	1.0	1.0	1.0	1.0
映射值	32	96	192	240	255	255	255	255

你看，原本集中在 0~4 的灰度，被映射到了 32~255 的整个范围。这就是均衡化的本质——拉伸对比度。

3.2 代码实现：从零开始写一个

我个人习惯用 Python + NumPy 实现，不用 OpenCV 的封装，这样能看清每一步在做什么。

import numpy as np
import cv2

def histogram_equalization(img):
    # 输入：灰度图，uint8
    # 输出：均衡化后的图像
    
    # 1. 计算直方图
    hist = np.zeros(256, dtype=np.int32)
    h, w = img.shape
    for i in range(h):
        for j in range(w):
            hist[img[i, j]] += 1
    
    # 2. 计算累积分布函数
    cdf = np.zeros(256, dtype=np.float32)
    cdf[0] = hist[0] / (h * w)
    for i in range(1, 256):
        cdf[i] = cdf[i-1] + hist[i] / (h * w)
    
    # 3. 映射到 0~255
    lut = np.round(cdf * 255).astype(np.uint8)
    
    # 4. 查表映射
    result = np.zeros_like(img)
    for i in range(h):
        for j in range(w):
            result[i, j] = lut[img[i, j]]
    
    return result

# 使用示例
img = cv2.imread('dark_photo.jpg', cv2.IMREAD_GRAYSCALE)
eq_img = histogram_equalization(img)

3.3 局限性分析：为什么它不总是好用

我在项目中遇到过好几次这样的情况：一张医学 X 光片，均衡化之后反而看不清病灶了。为什么会这样？

均衡化有三个硬伤：

1. 噪声放大——均衡化会拉伸对比度，但噪声也被一起拉伸了。原本不明显的噪点，在平坦区域会变得非常刺眼。
2. 过度增强——如果图像本身对比度已经不错，均衡化会让它变得「假」，像过度修图一样不自然。
3. 细节丢失——累积分布函数会把相近的灰度合并，导致某些细节被抹掉。尤其是暗部区域，原本能分辨的纹理可能变成一片黑。

场景	均衡化效果	问题
低对比度照片	优秀	无明显问题
医学影像	一般	可能丢失病灶细节
遥感图像	较差	噪声放大严重
视频监控	差	帧间闪烁，不连续

3.4 自适应直方图均衡化（AHE）的改进思路

全局均衡化的问题在于：它用整张图的统计信息做映射。但图像不同区域的亮度分布可能完全不同。比如一张照片，左边是阴影，右边是阳光，全局均衡化会顾此失彼。

AHE 的思路很简单：把图像分成小块，每块独立做均衡化。这样每个局部都能得到合适的对比度拉伸。

AHE 的改进点有三个：

• 局部性——每个像素的映射函数只由它所在的小块决定。小块大小通常取 8×8 或 16×16。
• 插值平滑——直接分块会导致块边界出现「马赛克」。用双线性插值可以消除这种块效应。
• 计算效率——虽然比全局均衡化慢，但用积分直方图可以加速到实时。

3.5 AHE 的变体：CLAHE

AHE 有个致命问题——它会过度放大平坦区域的噪声。你想想看，如果某个小块里所有像素灰度值都差不多，它的直方图就是一根细柱子。均衡化会把这根柱子强行拉平，结果就是噪声被放大了几十倍。

CLAHE（Contrast Limited AHE）加了一个限制：在计算直方图时，把超过某个阈值的部分裁剪掉，均匀分布到其他灰度级上。这个阈值通常取 2~4。

def clahe(img, clip_limit=2.0, grid_size=(8,8)):
    # 输入：灰度图，裁剪阈值，网格大小
    # 输出：CLAHE 增强后的图像
    
    h, w = img.shape
    tile_h, tile_w = h // grid_size[0], w // grid_size[1]
    
    # 1. 分块并计算每块的 CDF
    cdfs = np.zeros((grid_size[0], grid_size[1], 256), dtype=np.float32)
    for i in range(grid_size[0]):
        for j in range(grid_size[1]):
            tile = img[i*tile_h:(i+1)*tile_h, j*tile_w:(j+1)*tile_w]
            hist = np.bincount(tile.ravel(), minlength=256)
            
            # 2. 裁剪直方图
            excess = np.sum(hist[hist > clip_limit]) - clip_limit * np.sum(hist > clip_limit)
            hist = np.clip(hist, 0, clip_limit)
            hist += excess / 256
            
            # 3. 计算 CDF
            cdf = np.cumsum(hist) / np.sum(hist)
            cdfs[i, j] = cdf
    
    # 4. 双线性插值映射
    result = np.zeros_like(img, dtype=np.uint8)
    for y in range(h):
        for x in range(w):
            # 找到所属的四个邻近块
            # 插值权重计算
            # 查表映射
            pass  # 完整实现约 50 行，此处省略
    
    return result

3.6 项目落地中的选择建议

在实际项目中，我通常这样选：

场景	推荐方法	原因
手机照片增强	CLAHE	效果好，噪声可控
视频实时处理	全局均衡化	速度快，但注意帧间平滑
医学影像	CLAHE + 手动调参	细节保留要求高
遥感图像	AHE + 去噪预处理	先降噪再增强
低端嵌入式设备	全局均衡化	算力有限，别用 AHE