1、CLAHE算法概述：直方图均衡化(HE)的局限性、AHE的提出与问题、CLAHE的核心思想

1.1 直方图均衡化（HE）—— 入门利器，但别太迷信

做图像增强，很多人第一个接触的就是直方图均衡化。说白了，就是把像素值的分布“拉平”，让暗的地方亮起来，亮的地方暗下去，整张图的对比度就上来了。

原理很简单：统计每个灰度级出现的次数，然后做一个累积分布函数（CDF），再把原始像素映射到新的灰度空间。代码实现也就几行：

import cv2
import numpy as np

img = cv2.imread('input.jpg', 0)
equ = cv2.equalizeHist(img)
cv2.imwrite('output.jpg', equ)

但问题来了——全局均衡化对整张图一视同仁。我遇到过一张医学X光片，背景区域占了80%，病灶区域只占一小块。全局HE一跑，背景被拉得过亮，病灶细节反而被“淹没”了。你想想看，这能行吗？

所以，全局HE只适合那些光照均匀、目标分布均衡的简单场景。一旦遇到复杂光照或小目标，它就露怯了。

1.2 自适应直方图均衡化（AHE）—— 想法很好，但有点“用力过猛”

既然全局不行，那就局部搞。AHE的思路是：把图像切成一个个小窗口（tile），每个窗口单独做HE。这样每个局部都能得到“量身定制”的增强。

我记得第一次用AHE处理一张水下照片时，效果确实惊艳——暗处的鱼鳞纹理都出来了。但仔细一看，整张图布满了“块状伪影”，像马赛克一样。为什么会这样？

原因在于：每个窗口独立做HE，窗口之间的亮度差异被放大。尤其是平坦区域（比如天空、水面），原本只有一点点噪声，AHE把它当成“有效细节”去增强，结果噪声变成了明显的颗粒。

1.3 CLAHE的核心思想 —— 给AHE加个“紧箍咒”

CLAHE（Contrast Limited Adaptive Histogram Equalization）就是在AHE的基础上，加了一个对比度限制。说白了，就是不让任何一个灰度级“太出风头”。

具体怎么做？我习惯用三步来理解：

1. 分块——把图像切成固定大小的tile（比如8×8）
2. 裁剪直方图——对每个tile的直方图设定一个阈值，超过阈值的部分被“剪掉”
3. 重新分配——把剪掉的像素均匀分布到所有灰度级上，保证总像素数不变

这个“裁剪-重新分配”的过程，就是CLAHE的精髓。阈值（clip limit）控制了增强的强度——阈值越高，增强越强，但噪声也越明显；阈值越低，图像越平滑，但对比度提升有限。

另外，CLAHE还有一个关键参数——tile size。tile越小，局部适应性越强，但计算量也越大。我一般从8×8开始试，效果不满意再调大或调小。

嗯，这里要注意：tile size不能太小，否则每个tile里的像素太少，直方图统计失去意义。也不能太大，否则又退化成全局HE了。

1.4 知识结构总览

下面这张图把HE、AHE、CLAHE的关系梳理清楚了。我建议你把它存下来，后面调参时随时对照。

1.5 小结

从HE到AHE再到CLAHE，其实就是一个不断“打补丁”的过程。HE太粗糙，AHE太激进，CLAHE在两者之间找到了平衡点。我个人觉得，CLAHE是目前最实用的局部增强方法之一，尤其是处理医学影像、遥感图像、水下图像这些场景，效果立竿见影。

当然，CLAHE也不是万能的。它的两个参数——clip limit和tile size——需要根据具体图像反复调试。后面几章我会带你一步步调参，把每个参数的影响讲透。