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 blackcv2.imread(black.jpg,cv2.IMREAD_GRAYSCALE)plt.hist(black.ravel(),bins256)plt.show()black_equalizecv2.equalizeHist(black)plt.hist(black_equalize.ravel(),bins256)plt.show()resnp.hstack((black,black_equalize))cv2.imshow(black_equalize,res)cv2.waitKey(0)clahecv2.createCLAHE(clipLimit10,tileGridSize(8,8))black_claheclahe.apply(black)resnp.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 blackcv2.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 cv2OpenCV 库负责图像读写、均衡化、CLAHE 等所有图像处理操作。import numpy as npNumPy 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(),bins256)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。bins256灰度值范围是 0~255共 256 个灰度级设置 bins256 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_equalizecv2.equalizeHist(black)plt.hist(black_equalize.ravel(),bins256)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resnp.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。clahecv2.createCLAHE(clipLimit10,tileGridSize(8,8))black_claheclahe.apply(black)resnp.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