1. CLAHE 概述：什么是 CLAHE？它与直方图均衡化的关系
大家好，欢迎来到这门课。今天咱们先聊聊 CLAHE 到底是什么，以及它和传统的直方图均衡化（HE）之间是什么关系。
直方图均衡化，说白了，就是让一张图的亮度分布更均匀。我刚开始做图像处理时，觉得 HE 简直是神器——几行代码就能让一张灰蒙蒙的照片变得清晰。但后来在实际项目中吃了不少亏，才发现它有个致命问题：噪声放大。
CLAHE 就是来解决这个问题的。它的全称是 Contrast Limited Adaptive Histogram Equalization，中文叫“对比度受限的自适应直方图均衡化”。
一句话总结：CLAHE = 直方图均衡化 + 局部处理 + 对比度限制。
1.1 直方图均衡化（HE）的核心思想
先简单回顾一下 HE。它把图像的灰度直方图，通过一个映射函数，拉伸成近似均匀分布。这样原本集中在某个区间的像素，就会被分散到整个灰度范围。
举个例子：一张偏暗的图像，像素大多集中在 0-50 的灰度区间。HE 会把这些像素映射到 0-255 的整个范围，图像就变亮了，细节也出来了。
但问题来了——HE 是全局操作。它用同一个映射函数处理整张图。如果图像中既有亮区又有暗区，HE 就会顾此失彼。我在项目中遇到过一张医学 X 光片，胸腔部分很亮，肋骨部分很暗。用 HE 处理完，亮区过曝，暗区还是看不清。
HE 的三大痛点：
- 全局映射，局部细节丢失
- 噪声被放大（尤其是均匀区域）
- 亮区/暗区容易过曝或欠曝
1.2 AHE：从全局到局部
为了解决 HE 的全局问题，有人提出了 自适应直方图均衡化（AHE）。思路很简单：把图像分成一个个小块（tile），对每个小块单独做 HE。
你想想看，每个小块内的像素分布相对集中，局部 HE 就能更精准地增强细节。比如上面那张 X 光片，胸腔区域和肋骨区域分开处理，各自都能得到合适的增强。
但 AHE 也有新问题：噪声放大更严重了。为什么？因为小块内的像素数量少，直方图统计不稳定，稍微有点噪声就会被放大。我记得第一次用 AHE 处理一张低光照照片，结果图像上全是颗粒感，简直没法看。
1.3 CLAHE：加个“限幅器”
CLAHE 就是在 AHE 的基础上，加了一个 对比度限制 的步骤。具体来说：
- 分块：将图像划分为若干不重叠的小块（通常 8×8 或 16×16）
- 计算直方图：对每个小块计算灰度直方图
- 裁剪直方图：设定一个阈值，将直方图中超过阈值的部分裁剪掉
- 重新分配：把裁剪下来的像素均匀分配到所有灰度级上
- 局部 HE：对裁剪后的直方图做均衡化
- 插值融合：用双线性插值消除块与块之间的边界效应
这个“裁剪-重新分配”的机制，就是 CLAHE 的精髓。它限制了每个灰度级上像素数量的最大增幅，从而控制了对比度增强的幅度。
我的经验：阈值参数（clip limit）一般设置在 2-4 之间效果比较好。太小了增强效果不明显，太大了又会出现噪声。我曾经在一个遥感图像项目里试了十几次才找到最佳值，所以建议你多调调参数。
1.4 CLAHE 与 HE 的对比
| 特性 | 直方图均衡化（HE） | CLAHE |
|---|---|---|
| 处理范围 | 全局 | 局部（分块） |
| 对比度增强 | 整体拉伸 | 局部自适应 |
| 噪声控制 | 无 | 有（对比度限制） |
| 适用场景 | 光照均匀的图像 | 光照不均、局部细节重要的图像 |
| 计算复杂度 | 低 | 中等（分块+插值） |
| 典型应用 | 普通照片增强 | 医学影像、遥感、工业检测 |
1.5 CLAHE 的核心流程
下面这张图展示了 CLAHE 的完整处理流程。我建议你仔细看看，后面几章我们会逐一深入每个步骤。
1.6 什么时候该用 CLAHE？
根据我的项目经验，下面这些场景 CLAHE 表现特别好：
- 医学影像：CT、MRI、X 光片，局部对比度差异大
- 遥感图像：卫星图、航拍图，光照不均匀
- 工业检测：电路板、金属表面，需要突出局部缺陷
- 低光照图像：夜间监控、暗光摄影
- 水下图像：蓝色/绿色偏色严重，细节模糊
注意：CLAHE 不是万能的。如果图像本身质量极差（比如严重过曝或欠曝），CLAHE 也救不回来。我曾经试过用它处理一张 99% 像素都是黑色的图像，结果只是把噪声放大了而已。
1.7 本章小结
好了，咱们来捋一下这章的核心内容：
- HE 是全局操作，简单但容易放大噪声
- AHE 是局部操作，解决了全局问题，但噪声更严重
- CLAHE 在 AHE 基础上加了对比度限制，既保留了局部增强的优势，又控制了噪声
- 核心流程：分块 → 计算直方图 → 裁剪 → 重新分配 → 局部 HE → 插值融合