3. 直方图均衡化：让图像对比度“活”起来

直方图均衡化，说白了就是把一张灰蒙蒙的图变得层次分明。我刚开始接触图像处理时，总觉得这玩意儿有点玄乎——不就是拉拉对比度吗？后来在项目中处理过一批低照度监控图像，才真正体会到它的威力。

这一节，咱们就把它彻底讲透。

3.1 直方图均衡化的原理

先问个问题：什么样的图像看起来最舒服？

我的经验是——像素值分布比较均匀的图像。暗部有细节，亮部不过曝，中间调层次丰富。直方图均衡化干的事，就是把原始图像的灰度分布“拉伸”开，让每个灰度级上的像素数量大致相等。

数学上，它用的是累积分布函数（CDF）做映射。公式长这样：

s_k = T(r_k) = (L-1) * Σ p_r(r_j)   (j = 0 到 k)

其中：

• r_k：原始图像的第 k 个灰度级
• s_k：映射后的灰度级
• L：灰度级总数（通常是256）
• p_r(r_j)：第 j 个灰度级的概率密度

嗯，公式看着有点唬人。但你可以这么理解：它把直方图的“山峰”削平，填到“山谷”里，让整个分布更平坦。

3.2 histeq 函数：最基础的均衡化工具

MATLAB 里实现全局直方图均衡化，用 histeq 就对了。语法极其简单：

J = histeq(I);          % 对灰度图 I 做均衡化
J = histeq(I, n);       % 指定输出灰度级数 n（默认64）

来看个完整例子：

% 读取图像
I = imread('pout.tif');

% 直方图均衡化
J = histeq(I);

% 显示对比
subplot(2,2,1); imshow(I); title('原始图像');
subplot(2,2,2); imhist(I); title('原始直方图');
subplot(2,2,3); imshow(J); title('均衡化后');
subplot(2,2,4); imhist(J); title('均衡化直方图');

运行这段代码，你会看到：原始直方图集中在中间区域，均衡化后被拉伸到了整个灰度范围。图像对比度明显提升，细节也出来了。

3.3 adapthisteq 函数：局部均衡化，更精细的控制

为了解决全局均衡化的局限性，MATLAB 提供了 adapthisteq——自适应直方图均衡化。它把图像分成一个个小块（tiles），对每个小块单独做均衡化，然后用插值消除块之间的边界效应。

基本用法：

J = adapthisteq(I);
J = adapthisteq(I, Name, Value);

常用参数：

实战代码：

% 读取低照度图像
I = imread('lowlight.jpg');

% 全局均衡化
J_global = histeq(I);

% 自适应均衡化（推荐参数）
J_adapt = adapthisteq(I, 'NumTiles', [8 8], 'ClipLimit', 0.02);

% 对比显示
figure;
subplot(1,3,1); imshow(I); title('原始图像');
subplot(1,3,2); imshow(J_global); title('全局均衡化');
subplot(1,3,3); imshow(J_adapt); title('自适应均衡化');

3.4 均衡化效果对比：什么时候该用哪个？

我整理了一个对比表，方便你快速决策：

我曾经在一个车牌识别项目里踩过坑：用 histeq 做预处理，结果车牌区域对比度反而下降了。后来换成 adapthisteq，把 NumTiles 设成 [4 4]，ClipLimit 调到 0.015，效果立竿见影。嗯，参数调优这事儿，真得靠试。

3.5 核心流程：一张图看懂均衡化

下面这张 SVG 图，把直方图均衡化的完整流程和两种方法的区别都画出来了：

3.6 避坑指南

最后，分享几个我踩过的坑：

• 彩色图像别直接均衡化——先把 RGB 转到 HSV 或 Lab 色彩空间，只对亮度通道做均衡化，否则颜色会严重失真。
• adapthisteq 的 ClipLimit 别设太大——超过 0.1 容易产生“块状效应”，图像看起来像打了马赛克。
• 噪声图像慎用 histeq——它会同时增强噪声。我一般先做一次中值滤波或高斯滤波，再做均衡化。
• 别迷信默认参数——每个项目的图像特性不同，花点时间调参，效果能提升一个档次。