📚 课程目录第4章自适应直方图均衡化AHE

4、自适应直方图均衡化AHE：局部处理思想、滑动窗口机制

好，咱们进入正题。上一章聊了全局直方图均衡化，你肯定发现了它的硬伤——整张图用一个映射，亮区更亮，暗区更暗，细节全丢了。那怎么办？

我当时在做一个医学CT图像增强的项目，肺部结节区域和周围组织灰度差异极小，全局均衡化一上去，结节差点被背景吞掉。气得我拍桌子。后来换了AHE，效果立竿见影。

说白了，AHE的核心思想就一句话：别管全局，看局部。

先看一个直观的例子。一张照片左边是阴影，右边是强光。全局直方图均衡化会怎么做？它会统计整张图的像素分布，然后算一个全局映射函数。结果呢？阴影区被提亮，但噪声也放大了；高光区被压暗，但纹理细节糊了。

为什么会这样？因为全局映射函数是“一刀切”的。它假设整张图的亮度分布是均匀的，但现实场景哪有这么理想？

我习惯把图像分成一个个小区域来处理。每个区域有自己的直方图，自己的映射函数。这样，阴影区按阴影区的规律增强，高光区按高光区的规律增强，互不干扰。

核心思想： 每个像素的映射函数只由它周围的局部邻域决定，而不是整张图。

AHE怎么实现局部处理？靠的就是滑动窗口。你可以把它想象成一把手术刀，在图像上逐像素移动，每次只处理刀口下的那一小块区域。

具体流程是这样的：

嗯，这里要注意：窗口每移动一次，就要重新计算一次直方图和CDF。如果图像是 1024×1024，窗口是 15×15，那就要计算大约 100 万次局部直方图。计算量相当可观。

我的经验： 窗口大小选 1/8 到 1/16 的图像宽度比较稳妥。太大就退化成全局均衡化了，太小噪声会爆炸。我曾经在卫星遥感图像上试过 3×3 窗口，结果图像跟撒了盐似的，全是颗粒感。

别怕，公式很简单。对于像素 (x, y)，它的局部邻域是 W(x, y)，大小为 M × N。

局部直方图：

h_local(r) = 在 W(x, y) 内灰度值为 r 的像素个数

局部CDF：

cdf_local(r) = Σ_{i=0}^{r} h_local(i) / (M × N)

映射函数：

s = cdf_local(r) × (L - 1)

其中 L 是灰度级数（通常是256）。

你看，公式和全局均衡化一模一样，唯一的区别是：直方图统计的范围从整张图变成了局部窗口。

在实际工程中，AHE有两种实现策略。我列个表对比一下：

实现方式	原理	计算量	适用场景
逐像素滑动	每个像素独立计算局部直方图	极高，O(W×H×M×N)	小图像、离线处理
分块插值	将图像分成网格，计算每个网格块的CDF，然后插值	较低，O(W×H)	大图像、实时系统

逐像素滑动是最原始的方法。精度最高，但慢得让人抓狂。我记得有一次处理一张 4K 的航拍图，用逐像素滑动跑了整整 20 分钟。从那以后，我再也没在生产环境里用过它。

分块插值才是工程上的主流方案。CLAHE 用的就是这种思路，下一章我会详细讲。

AHE 有个臭名昭著的毛病：在均匀区域放大噪声。

你想想看，如果一个窗口内的像素灰度值非常接近，比如都在 100-105 之间，那它的局部直方图就集中在一个很窄的区间。CDF 在这个区间内会非常陡峭。映射之后，原本 5 个灰度级的差异可能被拉伸到 50 个灰度级。

结果呢？原本人眼几乎看不到的细微噪声，被放大成了明显的颗粒或斑块。

避坑指南： 我曾经在医学超声图像上用过 AHE，结果把组织纹理里的随机噪声放大成了“假病灶”，差点误导了诊断。后来我养成了一个习惯：在应用 AHE 之前，先对图像做轻度高斯滤波，抑制高频噪声。

下面这张图帮你理清AHE的核心脉络：

最后，分享几个我在项目中踩过的坑：