限制对比度自适应直方图均衡化（CLAHE）

🌟 在探索CLAHE的奥秘之前，让我们先了解一下直方图均衡化的基础知识。温馨提示：本文内容较为深入，建议准备好一杯咖啡慢慢阅读。

代码实现

📚 目录

1. 直方图均衡化（HE）
2. 自适应直方图均衡（AHE）
3. 限制对比度自适应直方图均衡化（CLAHE）
4. 补充说明

📊 直方图均衡化（HE）

直方图均衡化（Histogram Equalization）是一种增强图像对比度（Image Contrast）的方法。它的核心思想是将图像的直方图分布变成近似均匀分布，从而增强图像的对比度。

🧮 数学原理

考虑一个离散的灰度图像 { x } \{x\} {x}，令 $n_i$ 为灰度 $i$ 的出现次数。图像中出现第 $i$ 级像素的概率为：

$$p_x(i)=\frac{n_i}{n}$$

其中：

• $L$ 是图像中灰度的总数（通常为256）
• $n$ 是图像中像素的总数
• $p_x(i)$ 实际上是像素值 $i$ 的图像直方图，已标准化为 [0,1]

定义累积分布函数（CDF）为：

$$cd{f}_x(i)=\sum _{j=0}^i{p}_x(j)$$

我们想创建一个形式为 $y=T(x)$ 的转换，以生成具有平坦直方图的新图像 { y } \{y\} {y}。这样的图像将在整个值范围内具有线性化的累积分布函数：

$$cd{f}_y(i)=i\cdot K$$

对于某一常数 $K$。CDF 的属性允许我们执行这样的变换，它被定义为：

$$T(x)=cd{f}_x(x)$$

其中 $k$ 在 [0, L] 范围内。注意，由于我们使用归一化的直方图 { x } \{x\} {x}，因此 $T$ 将级别映射到 [0,1] 范围内。为了将值映射回到其原始范围，需要对结果应用以下简单转换：

y ′ = y ⋅ ( m a x { x } − m i n { x } ) + m i n { x } y' = y \cdot (max\{x\} - min\{x\}) + min\{x\} y′=y⋅(max{x}−min{x})+min{x}

🎯 通俗解释

简单来说，直方图均衡化就是：

1. 遍历图像的像素统计出灰度值
2. 计算累积分布函数（CDF）
3. 将结果映射到 0~255 范围

💡 小贴士：这里我们主要讨论灰度图（单通道图）。对于彩色图像，可以：

• 使用单独的直方图均衡化操作
• 或者使用公式 $Y=0.2126R+0.7152G+0.0722B$ 将 RGB 图像转换为灰度图后再进行均衡化

对于单通道图，我们假设所示的8位灰度图像具有以下值：

下表中显示了该图像的直方图。为了简洁起见，将计数为零的像素值排除在外。

所述累积分布函数（CDF）如下所示。再次，为简洁起见，排除了不会增加cdf的像素值。

再通过此cdf显示子图像中的最小值为52，最大值为154。值154的cdf为64，与图像中的像素数一致。CDF必须标准化为[0,255]。直方图的一般均衡公式为：

$$h(v)=round\left(\frac{cdf(v)-cd{f}_{min}}{(M\times N)-cd{f}_{min}}\times (L-1)\right)$$

其中cdf min是累积分布函数的最小非零值（在本例中为1），M×N给出图像的像素数（例如，在64以上的示例中，M为宽度，N为高度），L为使用的灰度级数（在大多数情况下为256）。请注意，要在原始数据中将大于0的值缩放到1到L-1（包括1和L-1）的范围，则上述公式将改为：

$$h(v)=round\left(\frac{cdf(v)-1}{(M\times N)-1}\times (L-1)\right)$$

其中cdf（v）>0。从1缩放到255保留最小值的非零值。示例比例数据从0到255（包括0和255）的均衡公式为：

$$h(v)=round\left(\frac{cdf(v)-1}{63}\times 255\right)$$

例如，78的cdf为46。（第7列的下一行使用78的值。）标准化后的值变为：

$$h(78)=round\left(\frac{46-1}{63}\times 255\right)=round(0.714286\times 255)=182$$

🔄 自适应直方图均衡（AHE）

自适应直方图均衡（AHE）是普通直方图均衡化的升级版。它最大的特点是能够局部增强对比度，让图像的每个区域都得到适当的处理。

🎨 实现原理

1. 将图片分割成多个块（例如 8×8 的块，无法整除可以补零）
2. 对每个块分别计算累积分布函数
3. 进行局部直方图均衡化

⚠️ 但是！AHE 有一个小缺点：它容易在图像的相对均匀区域中过度放大噪声。这主要是因为：

1. 局部邻域越小，局部对比度越强
2. 如果矩形区域内的图像块信息比较平坦，灰度接近，其灰度直方图呈尖状，在直方图均衡的过程中就可能会出现过度放大噪声的情况

🎯 限制对比度自适应直方图均衡化（CLAHE）

CLAHE 是 AHE 的改进版本，它通过限制对比度放大的方式来防止噪声过度放大。

🧠 核心原理

CLAHE 的实现主要包括 6 个步骤：

1. 分块：将输入图像划分为大小相等的不重叠子块，每个子块含有的像素数为M。参考示例为8×8块。
2. 计算子块直方图
3. 计算剪切阈值 clipLimit（可以展开讨论，类似图像分割算法的大津法思想）
4. 像素点重分配：对每个子块，使用步骤三中多余的像素重新分配
5. 直方图均衡
6. 像素点灰度值重构（源码中采用了双线性插值）

🔧 重要参数

CLAHE 的效果可以通过以下参数进行调整：

参数	说明
窗口大小	分割的块大小
块数	裁剪的数量
CDF斜率限制	强度传递函数中的对比度拉伸
直方图 bins 个数	0~255 之间范围选取

📝 补充说明

在阅读 CLAHE 原始论文的作者之一 Karel Zuiderveld CLAHE的示例实现 时，我发现一个有趣的优化：作者通过增加双线性插值来减少代码时间复杂度。同时，插值运算及高斯平滑可以降低噪声产生。

🔗 相关参考

1. 官方文档与实现

   • CLAHE 官方实现
   • CLAHE 官方文档
   • CLAHE 算法教程

2. 中文技术文章

   • 知乎：CLAHE 算法详解
   • CSDN：CLAHE 算法实现
   • CSDN：CLAHE 算法详解
   • CSDN：CLAHE 算法优化

3. 英文参考资料

   • 维基百科：直方图均衡化
   • CLAHE 算法应用

💡 小贴士：CLAHE 的参数调整需要根据具体应用场景来优化，没有放之四海而皆准的最佳参数组合。