4、对比度增强：线性拉伸、直方图均衡化（HE）、自适应直方图均衡化（CLAHE）
好，咱们进入实战环节的第四个主题——对比度增强。
说实话，热成像图像最让人头疼的问题是什么？就是对比度太差。你想想看，一个场景里温度差异可能就几度，反映到图像上就是灰蒙蒙一片，细节根本看不清。我最早做红外项目时，拿到原始数据一看，心里就凉了半截——这玩意儿能看出啥来？
后来我明白了，不是传感器不行，是咱们没把对比度拉开。今天我就把三种最常用的方法掰开揉碎了讲给你听。
4.1 线性拉伸——最简单，也最直接
线性拉伸，说白了就是把像素值的范围强行拉开。
热成像原始数据通常是14位或16位的，但显示设备只有8位。你直接映射的话，大部分像素都挤在一个小范围内，图像自然发灰。线性拉伸就是找到图像中的最小值和最大值，然后把它们映射到0到255。
核心公式：
output = (input - min) / (max - min) * 255
嗯，这里要注意一点：如果图像中有个别极亮的噪点，或者极暗的坏像素，拉伸效果会大打折扣。我踩过这个坑——有一次调试夜视仪，画面死活拉不开，查了半天发现是一个像素值异常高，把整个拉伸范围带偏了。
改进方案：用百分比截断。比如去掉1%的最小值和1%的最大值，再去做拉伸。这样抗噪能力会好很多。
import numpy as np
import cv2
def linear_stretch(img, low_percent=1, high_percent=99):
# 计算分位数
low_val = np.percentile(img, low_percent)
high_val = np.percentile(img, high_percent)
# 截断并拉伸
img_clipped = np.clip(img, low_val, high_val)
img_stretched = (img_clipped - low_val) / (high_val - low_val) * 255
return img_stretched.astype(np.uint8)我的经验：线性拉伸适合场景温度范围比较稳定的情况。比如室内监控、设备巡检，温度变化不大，用这个方法又快又稳。但如果场景温差很大（比如从室内走到室外），拉伸效果就会忽好忽坏。
4.2 直方图均衡化（HE）——让像素分布更均匀
线性拉伸只用了两个统计量（最小值和最大值），而直方图均衡化用了整个分布信息。
它的思路是这样的：把像素值的累积分布函数（CDF）拉成一条直线。说白了，就是让每个灰度级上的像素数量尽量相等。这样原本集中在暗区的细节就会被拉开，亮区的细节也会被压缩。
我举个例子你就明白了。一张热成像图，大部分区域温度集中在30°C到35°C之间，直方图就是中间一个大峰。HE会把这个峰摊平，让暗部和亮部都有像素。效果就是——原本看不清的温差，现在能看出来了。
def histogram_equalization(img):
# 直方图均衡化
img_eq = cv2.equalizeHist(img)
return img_eq注意：HE有个致命问题——它会放大噪声。我曾经在低光照的热成像上试过，结果背景噪声被放大了好几倍，画面反而更花了。所以HE更适合信噪比高的图像。
另外，HE是全局操作。如果图像中既有大面积暗区，又有小面积亮区，HE会把亮区的细节过度压缩。你想想看，一个热成像里，大部分是冷背景，只有一个小热源，HE会把热源的细节全丢了。
4.3 自适应直方图均衡化（CLAHE）——局部增强，克制噪声
CLAHE全称是Contrast Limited Adaptive Histogram Equalization。名字很长，但核心思想很简单：把图像分成小块，每个小块单独做HE，然后限制对比度增强的幅度。
为什么要分块？因为局部区域的直方图分布更集中，做HE效果更好。为什么要限制幅度？因为如果不限制，噪声会被放大到无法接受的程度。
我记得第一次用CLAHE处理热成像时，效果惊艳到我了。原本模糊的管道接头、电路板上的发热元件，全都清晰可见。而且噪声控制得非常好，画面很干净。
def clahe_enhance(img, clip_limit=2.0, grid_size=(8, 8)):
# 创建CLAHE对象
clahe = cv2.createCLAHE(clipLimit=clip_limit,
tileGridSize=grid_size)
# 应用CLAHE
img_clahe = clahe.apply(img)
return img_clahe参数调优建议：
- clip_limit（对比度限制）：默认2.0。值越大，增强效果越强，但噪声也越明显。我一般从1.5开始调，不够再往上加。
- grid_size（网格大小）：默认8×8。网格越小，局部适应性越强，但计算量也越大。对于热成像，我建议用16×16，效果和速度比较平衡。
避坑指南：我曾经在一个项目中，CLAHE参数调得太大，结果把热成像的等温线都拉断了——原本平滑的温度过渡变成了阶梯状。后来我把clip_limit降到1.0，grid_size改成32×32，才恢复正常。所以参数不是越大越好，要结合实际场景。
4.4 三种方法对比
我把这三种方法放在一起做了个对比，方便你根据场景选择：
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 线性拉伸 | 速度快、实现简单 | 受异常值影响大、效果单一 | 温度范围稳定的室内场景 |
| 直方图均衡化 | 全局对比度提升明显 | 放大噪声、可能丢失局部细节 | 信噪比高的图像 |
| CLAHE | 局部增强、噪声可控 | 参数需要调优、计算量稍大 | 大多数热成像场景 |
我个人习惯是：先试线性拉伸，如果效果不满意，直接上CLAHE。HE我很少单独用，除非图像质量特别好。
4.5 知识体系图
下面这张图帮你理清这三种方法的关系和选择逻辑：
从这张图你可以看到，我推荐的核心流程是：先判断场景特点，再选择合适的方法。如果拿不准，直接上CLAHE，它是最稳妥的选择。
实战总结：
- 线性拉伸：适合快速预览，代码简单，但效果有限
- HE：适合高质量图像，但噪声敏感，慎用
- CLAHE：我的主力方法，参数调好后效果稳定
好了，对比度增强这部分就讲到这里。这三种方法你可以在代码里多试试，感受一下不同参数带来的变化。实践出真知，光看理论是学不会的。