直方图均衡化

对比度拉伸（Contrast Stretching）

• 用一个分段线性函数进行直方图的拉伸，缺点是对于比较复杂的图片，并没有什么效果

Histogram Equalization

• 用数学方法重新调整像素的亮度分布，来保证直方图具有最大的动态范围，也就是尽可能地让灰度直方图是一个矩形
• 
• 缺点：对于一些灰度非常集中的区域，直方图会被拉伸的很稀疏，导致对比度过大，许多区域成为噪音。比如一张基本全黑的图拉伸后可能出现白色区域，如下图
• 

限制对比度的HE：Contrast Limited HE

• 针对上述问题，提出了CLHE，加入对比度限制，其实原理很简单：设置直方图分布的阈值，将超过该阈值的分布“均匀”分散至概率密度分布上，由此来限制转换函数（累计直方图）的增幅。这样的话，直方图就不会出现概率密度函数过大的区域，从而避免了某些集中区域被拉得过于系数。
• 

Adaptive HE

• Adaptive HE的基本思想是将原始图片划分成子区域，然后对每个子区域进行HE变换。当然，这样做的问题应该是显而易见的：每一块区域之间都会有非常大的不连续
• 
• 因此为了解决这个问题，提出了优化方案双线性插值的AHE，然后这个基础上再使用CLHE的截断对比度的思想，就变成了我们现在的CLAHE算法。

使用CV2库函数实现自适应直方图均衡化

# 传入灰度图，返回灰度图的直方图均衡化
def CLAHE_GRAY(img):
    # create a CLAHE object
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    cl1 = clahe.apply(img)
    return cl1

# 传入色彩图像，返回RGB图像
def CLAHE_COLOR(img):
    img_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
    channels = cv2.split(img_yuv)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    # apply()函数的第一个参数是输入图像，第二个参数是输出图像
    clahe.apply(channels[0], channels[0])
    img_yuv = cv2.merge(channels)
    img_output = cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR)
    return img_output

参考：https://cloud.tencent.com/developer/article/1667213