📚 课程目录第2章图像预处理策略

图像预处理策略：AHE、CLAHE与去噪滤波对AF评价函数的影响

说到低光照环境下的自动对焦，很多人第一反应是“算法不行”。但我在项目中踩过不少坑之后发现，很多时候问题出在图像预处理上。说白了，你喂给AF评价函数的图像质量不行，再牛的算法也白搭。

这一章我们就来聊聊三种常用的预处理手段——自适应直方图均衡化（AHE）、限制对比度直方图均衡化（CLAHE）以及几种去噪滤波方法。我会结合实战经验，讲清楚它们各自对AF评价函数到底有什么影响。

先看一个简单的事实。低光照图像有两个典型特征：整体偏暗和噪声明显。你想想看，AF评价函数靠的是图像梯度信息来判断清晰度。如果图像本身对比度低、噪声又多，梯度计算就会乱套。

我记得有一次调试一个安防摄像头项目，晚上画面全是噪点，AF评价曲线像心电图一样上下乱跳。后来才发现，不是对焦算法的问题，是预处理没做好。

核心观点：预处理不是锦上添花，而是低光照AF的必需品。没有好的预处理，AF评价函数就像在沙子上盖房子。

AHE的原理很简单——把图像分成小块，每个块单独做直方图均衡化。这样能增强局部对比度，让暗部细节露出来。

但这里有个坑。AHE会放大噪声。尤其是在低光照环境下，暗区的噪声本来就很明显，AHE一处理，噪声也跟着被增强了。结果就是AF评价函数算出来的梯度值里，噪声贡献占了很大比例，真正的边缘信息反而被淹没了。

注意：AHE在低光照场景下容易导致AF评价函数“假峰值”。我遇到过几次，明明画面是模糊的，但AF评价函数却给出了很高的分数，就是因为噪声被放大了。

CLAHE是AHE的改进版。它加了一个“对比度限制”参数，防止噪声被过度放大。这个参数通常叫clip limit，我一般设置在2.0到4.0之间。

CLAHE对AF评价函数的影响，我总结了几点：

我个人习惯在低光照场景下优先用CLAHE。曾经有一个项目，室内光照只有5 lux，用CLAHE处理后，AF成功率从62%提升到了89%。

去噪滤波的作用是“清理”图像，让AF评价函数只看到真实的边缘，而不是噪声伪影。三种常用滤波各有特点：

滤波方法	原理	对AF评价函数的影响	适用场景
高斯滤波	邻域加权平均	平滑噪声，但也会模糊边缘，降低梯度幅值	噪声较弱、对实时性要求高的场景
双边滤波	空间+灰度域联合加权	保留边缘的同时去噪，AF曲线更干净	边缘信息重要、噪声适中的场景
非局部均值	搜索相似块加权平均	去噪效果最好，但计算量大，可能过度平滑纹理	噪声极强、对精度要求高的场景

我曾经在项目中对比过这三种滤波对AF评价函数的影响。高斯滤波虽然快，但会“吃掉”弱边缘，导致AF在低对比度区域失效。双边滤波效果不错，但参数调起来比较麻烦。非局部均值去噪最干净，但跑一帧要几十毫秒，实时性扛不住。

我的建议：如果算力有限，用高斯滤波配合CLAHE；如果算力充足，用双边滤波。非局部均值更适合离线处理或后处理场景。

说了这么多，我们来画一张图，把整个逻辑串起来。

从这张图可以看得很清楚：不同的预处理策略，最终会直接影响AF评价函数的输出质量。选对了，AF曲线干净利落；选错了，各种假峰值、漏检问题接踵而至。

在实际项目中，我很少只用一种预处理方法。通常的做法是组合使用：

我曾经在一个低光照人脸识别项目中试过这个组合。原始图像信噪比只有18dB，AF评价函数的峰值波动范围超过30%。经过CLAHE+双边滤波处理后，信噪比提升到25dB，AF峰值波动控制在5%以内。效果非常明显。

关键参数参考：

最后分享几个我踩过的坑：