4、传统增强方法：直方图均衡化（HE）、自适应直方图均衡化（CLAHE）、Gamma校正

聊到低光照增强，很多人第一反应就是上深度学习。但说实话，在实际项目中，传统方法往往才是那个「救命稻草」。我做过不少嵌入式端的视频增强项目，算力有限，模型跑不动，最后还是靠这些经典算法撑起了半边天。

这一章，我们就来拆解三个最常用的传统增强方法：直方图均衡化（HE）、自适应直方图均衡化（CLAHE）和Gamma校正。它们原理不复杂，但用好了，效果立竿见影。

4.1 直方图均衡化（HE）—— 简单粗暴但有效

直方图均衡化的思路很直接：把图像的灰度分布「拉平」。原本集中在暗区的像素，会被映射到整个灰度范围。说白了，就是让亮的更亮，暗的更暗，对比度自然就上来了。

我记得第一次在监控视频上试 HE，效果确实惊艳。原本黑乎乎的画面，一下子能看清人脸轮廓了。但问题也随之而来——噪声也被放大了。

HE 的优点是快，真的快。一张 1080p 的图，在普通 CPU 上也就几毫秒。但缺点也很明显：

• 过度增强：原本亮度适中的区域，会被拉得过亮，看起来不自然
• 噪声放大：暗区的噪声被同步放大，画面出现「雪花点」
• 细节丢失：某些灰度级被合并，导致细节模糊

4.2 自适应直方图均衡化（CLAHE）—— HE 的进化版

CLAHE 解决了 HE 的两个核心问题：局部适应性和噪声控制。

它的做法是：把图像分成一个个小块（tile），每个块单独做直方图均衡化。然后，对每个块的对比度做限制——超过某个阈值的部分会被裁剪掉，再均匀分布到整个灰度范围。

你想想看，这样做的好处是什么？

• 局部细节保留得更好，不会出现整张图「一片亮」的情况
• 噪声被有效抑制，因为对比度增益被限制了
• 边缘和纹理更清晰，适合医学影像和监控场景

我个人习惯用 OpenCV 的 createCLAHE 接口，参数调起来很方便：

import cv2
import numpy as np

# 读取低光照图像
img = cv2.imread('low_light.jpg', 0)

# 创建 CLAHE 对象
# clipLimit: 对比度限制阈值，越大增强越强
# tileGridSize: 分块大小，通常 8x8
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))

# 应用 CLAHE
enhanced = clahe.apply(img)

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('CLAHE', enhanced)
cv2.waitKey(0)

CLAHE 也不是万能的。我在项目中遇到过一个问题：如果图像本身有大量平坦区域（比如天空、墙壁），CLAHE 会把微小的噪声也放大，产生「块状伪影」。这时候，可以适当增大 clipLimit，或者先做一次轻微的平滑滤波。

4.3 Gamma 校正—— 亮度调节的「软刀子」

Gamma 校正的原理很简单：对每个像素值做幂律变换。

公式：输出 = 输入 ^ (1 / gamma)

当 gamma < 1 时，暗部被提亮；当 gamma > 1 时，亮部被压暗。说白了，就是调整图像的「亮度曲线」。

Gamma 校正的好处是：不会引入噪声。它只是改变像素的映射关系，不涉及统计计算。所以，在噪声敏感的场景下，Gamma 校正比 HE 和 CLAHE 更安全。

我习惯把 Gamma 校正作为「最后一道防线」。先用 CLAHE 增强细节，再用 Gamma 微调整体亮度。两者配合，效果往往 1+1 > 2。

import cv2
import numpy as np

def gamma_correction(img, gamma=1.0):
    # 构建查找表
    inv_gamma = 1.0 / gamma
    table = np.array([((i / 255.0) ** inv_gamma) * 255 
                      for i in range(256)]).astype('uint8')
    # 应用查找表
    return cv2.LUT(img, table)

# 读取图像
img = cv2.imread('low_light.jpg', 0)

# Gamma 校正，gamma=0.5 提亮暗部
enhanced = gamma_correction(img, gamma=0.5)

cv2.imshow('Original', img)
cv2.imshow('Gamma Corrected', enhanced)
cv2.waitKey(0)

4.4 三种方法的对比与选择

在实际项目中，怎么选？我总结了一个简单的决策流程：

1. 先看算力：如果 CPU 紧张，优先用 Gamma 校正，计算量最小
2. 再看噪声：如果图像噪声明显，避开 HE，用 CLAHE 或 Gamma
3. 最后看效果：如果细节是核心需求，CLAHE 是首选

方法	计算量	噪声控制	细节保留	适用场景
HE	低	差	中	快速预览、噪声小的图像
CLAHE	中	好	好	监控、医学影像、细节优先
Gamma	极低	极好	中	噪声敏感、亮度微调