4、自适应直方图均衡化（CLAHE）：全局均衡化的局限、CLAHE原理、参数调优
聊到直方图均衡化，很多朋友第一反应就是「让图像更清晰」。没错，全局直方图均衡化确实能拉大对比度，但它有个挺要命的毛病——容易把局部细节给吞掉。我最早做医学影像处理时，就吃过这个亏。
全局均衡化的局限：为什么它不够「聪明」？
全局均衡化，说白了就是把整张图的像素值重新分配一遍。它假设整张图的亮度分布是均匀的，但现实中的图像哪有这么听话？
举个例子。你拍了一张夜景照片，左边是明亮的霓虹灯，右边是漆黑的街道。全局均衡化会怎么做？它会强行把暗区的像素往亮区拉，结果呢——暗区噪点全出来了，亮区反而过曝。我当年处理一张CT片时，全局均衡化直接把病灶区域的灰度细节给抹平了，气得我差点砸键盘。
为什么会这样？因为全局均衡化的映射函数是唯一的。图像中亮区和暗区的像素，用的是同一套拉伸规则。亮区原本对比度就高，再一拉伸容易过曝；暗区原本信息就少，再一拉伸全是噪声。
CLAHE原理：给每个区域「开小灶」
CLAHE的全称是Contrast Limited Adaptive Histogram Equalization，自适应直方图均衡化。它比全局均衡化聪明在哪？我总结了三步：
- 分块处理：把图像切成一个个小方块（tile），每个方块独立做直方图均衡化。
- 限制对比度：对每个方块的直方图进行「削峰填谷」，防止噪声被过度放大。
- 双线性插值：相邻方块之间做平滑过渡，避免出现「马赛克」感。
你想想看，每个小方块都有自己的映射函数，亮区按亮区的规则来，暗区按暗区的规则来。这不就是「因地制宜」吗？
下面这张图展示了CLAHE的核心流程，我画了个简图帮你理解：
参数调优：clip limit 和 tile size 怎么调？
CLAHE有两个核心参数：clip limit（对比度限制）和 tile size（分块大小）。这两个参数调好了，效果立竿见影；调不好，嗯……我见过有人把一张人像调成了「油画风」，满脸都是噪点。
clip limit：控制对比度增强的「刹车」
clip limit 的值通常在 0~10 之间。它决定了直方图裁剪的幅度：
- 值越小（如 0.5~2）：对比度增强越温和，适合噪声较多的图像（比如手机夜景）。
- 值越大（如 5~10）：对比度增强越猛烈，细节更突出，但噪声也会被放大。
我的个人习惯是：先设一个中间值（比如 3），然后根据效果微调。如果图像偏暗且噪声少，可以适当提高；如果图像本身对比度已经不错，就降低一些。
tile size：分块大小的「黄金比例」
tile size 决定了每个小方块的大小。常见取值是 8×8、16×16、32×32：
| tile size | 特点 | 适用场景 |
|---|---|---|
| 8×8 | 局部细节增强最强，但容易产生「块状感」 | 纹理丰富的图像（如织物、皮肤） |
| 16×16 | 平衡了局部和全局，最常用 | 大多数通用场景 |
| 32×32 | 接近全局均衡化，细节增强较弱 | 大尺度结构图像（如建筑、风景） |
你想想看，tile size 越小，每个方块包含的像素越少，局部适应性越强，但方块之间的差异也越大，容易出现「马赛克」边界。虽然双线性插值能缓解这个问题，但 tile size 太小了还是会有痕迹。
实战代码：OpenCV 中的 CLAHE
说了这么多，直接上代码。OpenCV 里实现 CLAHE 非常简单：
import cv2
import numpy as np
# 读取图像（灰度图）
img = cv2.imread('input.jpg', 0)
# 创建 CLAHE 对象
# clipLimit：对比度限制，默认 2.0
# tileGridSize：分块大小，默认 (8,8)
clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(16, 16))
# 应用 CLAHE
result = clahe.apply(img)
# 保存结果
cv2.imwrite('output_clahe.jpg', result)这段代码我用了不下百次。你只需要调整 clipLimit 和 tileGridSize 两个参数，就能看到效果变化。我建议你拿一张细节丰富的图像（比如树叶、布料纹理）来试，效果对比特别明显。
总结一下
CLAHE 的核心思想就八个字：分而治之，限制对比。它解决了全局均衡化的两大痛点：局部细节丢失和噪声放大。调参时记住：clip limit 控制「力度」，tile size 控制「粒度」。两者配合好了，图像增强的效果能上一个台阶。
嗯，最后说一句。CLAHE 不是万能的，它最适合那些局部对比度不足但整体光照均匀的图像。如果图像本身光照严重不均（比如半边亮半边暗），你可能需要先做光照校正，再用 CLAHE。这个我们后面会聊到。
公众号:蓝海资料掘金营，微信deep3321