文章目录
- 前言
- 完整代码一览
- 一、导入工具库与读取灰度图像
- 二、绘制原始图像的灰度直方图
- 三、全局直方图均衡化
- 四、水平拼接原图与均衡图，直观对比效果
- 五、CLAHE —— 限制对比度的自适应均衡化
- 六、总结
前言
我们在处理图像时，经常遇到 对比度太低、画面灰蒙蒙 的问题，比如夜晚拍摄的照片、医学 X 光片、昏暗环境下的监控画面。这些图像的像素灰度值往往集中在某个狭窄区间，导致细节难以辨认。
直方图均衡化（Histogram Equalization） 就是解决这类问题的经典方法，它通过重新分布像素灰度值，让图像的对比度显著提升。而 CLAHE（限制对比度自适应直方图均衡化） 则是它的进阶版，能避免全局均衡化带来的过度增强和噪声放大，尤其适合处理光照不均的复杂场景。
通过完整代码，理解原始图 → 全局均衡化 → CLAHE 三者的效果差异。
完整代码一览
代码可直接运行，图片路径请替换为自己的灰度图
样图：
import matplotlib.pyplot as plt import cv2 import numpy as np black=cv2.imread('black.jpg',cv2.IMREAD_GRAYSCALE)plt.hist(black.ravel(),bins=256)plt.show()black_equalize=cv2.equalizeHist(black)plt.hist(black_equalize.ravel(),bins=256)plt.show()res=np.hstack((black,black_equalize))cv2.imshow('black_equalize',res)cv2.waitKey(0)clahe=cv2.createCLAHE(clipLimit=10,tileGridSize=(8,8))black_clahe=clahe.apply(black)res=np.hstack((black,black_equalize,black_clahe))cv2.imshow('black_equalize',res)cv2.waitKey(0)一、导入工具库与读取灰度图像
import matplotlib.pyplot as plt import cv2 import numpy as np black=cv2.imread('black.jpg',cv2.IMREAD_GRAYSCALE)import matplotlib.pyplot as plt：我们用它来绘制图像的灰度直方图，直观展示像素值分布。
import cv2：OpenCV 库，负责图像读写、均衡化、CLAHE 等所有图像处理操作。
import numpy as np：NumPy 提供高效的数组操作，我们后面会用 np.hstack 水平拼接图像，方便对比展示。
cv2.imread(‘black.jpg’, cv2.IMREAD_GRAYSCALE)：以灰度模式读取名为 black.jpg 的图片。cv2.IMREAD_GRAYSCALE 表示直接转为单通道灰度图，忽略颜色信息。如果你的图片是彩色的，这一步会自动将其灰度化，方便后续处理。
二、绘制原始图像的灰度直方图
plt.hist(black.ravel(),bins=256)plt.show()black.ravel()：将二维灰度图像展平为一维数组（所有像素值排成一行），因为 plt.hist 需要一维数据作为输入。
bins=256：灰度值范围是 0~255，共 256 个灰度级，设置 bins=256 就能统计每个灰度值上有多少个像素。
处理之前的直方图：
原始图像的像素分布，如果图像偏暗，直方图会集中在左侧（低灰度区域）；如果偏亮，则集中在右侧。如果图像对比度低，直方图会呈现“瘦高”形态，聚集在中间一小段。
三、全局直方图均衡化
black_equalize=cv2.equalizeHist(black)plt.hist(black_equalize.ravel(),bins=256)plt.show()cv2.equalizeHist(black)：对原始灰度图执行全局直方图均衡化。它的核心思想是：把原始图像的灰度分布“拉伸”到整个 0~255 区间，让每个灰度级上的像素数量尽可能均匀，从而提升整体对比度。
均衡后的直方图：
四、水平拼接原图与均衡图，直观对比效果
res=np.hstack((black,black_equalize))cv2.imshow('black_equalize',res)cv2.waitKey(0)np.hstack((图像1, 图像2))：将两幅图像水平拼接（左右并排）。注意它们的高度必须一致，这里都是同一张图，尺寸相同，所以可以拼接。
生成结果：
五、CLAHE —— 限制对比度的自适应均衡化
全局均衡化虽然强大，但也有缺点：它会过度放大噪声，并且在光照不均匀的区域（比如半边亮半边暗）效果不理想。为此，OpenCV 提供了 CLAHE（限制对比度自适应直方图均衡化） 作为改进方案。
clahe=cv2.createCLAHE(clipLimit=10,tileGridSize=(8,8))black_clahe=clahe.apply(black)res=np.hstack((black,black_equalize,black_clahe))cv2.imshow('black_equalize',res)cv2.waitKey(0)第一行代码有两个关键参数
- clipLimit：对比度限制阈值。直方图均衡化时，如果某个灰度级的像素数超过此阈值，会被“裁剪”并均匀分配到其他灰度级，从而防止局部对比度过大，抑制噪声放大。数值越大，增强力度越强；一般设置 2~10 之间，这里取 10 为演示。
- tileGridSize：将图像划分为若干小块（tile），每个小块独立进行直方图均衡化。(8,8) 表示将图像分成 8×8 = 64 个小块，每个小块分别处理，最后再通过双线性插值拼接起来，这样能适应局部光照变化。小块尺寸越小，自适应能力越强，但计算量也越大。
生成结果：
六、总结
| 方法 | 优点 | 缺点 |
|---|---|---|
| 全局直方图均衡化 | 代码简单，整体对比度提升明显 | 易放大噪声，无法适应局部光照变化 |
| CLAHE | 自适应局部增强，噪声抑制好，效果自然 | 参数需调优，计算量稍大 |
