1. 直方图均衡化(HE):全局对比度增强的基础
直方图均衡化(Histogram Equalization)是图像处理领域最经典的对比度增强技术之一。我第一次接触这个算法是在处理一组医学X光片时,当时需要增强骨骼结构的可见度。HE的核心思想很简单——通过重新分配像素值,使得输出图像的直方图尽可能均匀分布。
具体实现上,OpenCV提供了cv2.equalizeHist()这个超级简单的接口。记得我第一次使用时,只用两行代码就看到了明显效果:
python复制img = cv2.imread('xray.jpg', cv2.IMREAD_GRAYSCALE)
enhanced_img = cv2.equalizeHist(img)
但HE有个明显的局限:它是基于整幅图像的全局变换。在处理同时存在明亮和阴暗区域的图像时(比如逆光拍摄的人像),HE会把所有像素"一视同仁",导致局部细节反而丢失。我曾用HE处理过一组监控摄像头拍摄的夜间画面,结果发现车牌区域虽然变亮了,但车灯区域却完全过曝。
从数学角度看,HE实际上是在执行一个像素值的映射变换。假设原图像像素值为r,变换后为s,那么:
code复制s = T(r) = (L-1) * ∑(从0到r)Pr(j)
其中L是像素的最大值(比如255),Pr(j)是像素值j出现的概率。这个公式解释了为什么HE能拉伸对比度——它把出现频率高的灰度级拉开,把频率低的压缩。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 自适应直方图均衡化(AHE):局部细节的救星
当我在处理卫星遥感图像时,发现HE对同时包含山川、河流、城市区域的图片效果很差。这时自适应直方图均衡化(Adaptive Histogram Equalization)进入了我的视野。AHE的精妙之处在于它把图像分成若干个小区域(称为tiles),在每个区域内独立进行直方图均衡化。
在OpenCV中实现AHE需要借助scikit-image库:
python复制from skimage import exposure
img_AHE = exposure.equalize_adapthist(img, clip_limit=0.03)
我特别喜欢用AHE处理医学CT扫描图像。比如有一次处理肺部CT,AHE清晰地展现了传统HE无法显示的微小结节。但
