2.2 灰度变换与直方图
2.2 灰度变换与直方图
本节摘要：SOURCE 3.1：直方图均衡化拉平 CDF 增对比；伽马 O=I^{\gamma} 调节明暗。本节动手
equalizeHist与 LUT 实现 γ 变换，对比过曝/欠曝修复。
核心问题
- 绘制并解读灰度直方图
- 实现全局直方图均衡
- 用 γ<1 提亮、γ>1 压暗
一、直方图
import cv2, matplotlib.pyplot as plt img = cv2.imread('dark.jpg', 0) hist = cv2.calcHist([img], [0], None, [256], [0,256]) eq = cv2.equalizeHist(img) cv2.imwrite('eq.jpg', eq)
均衡化：s = T(r) 使输出近似均匀 — 整图对比度提升，但可能过度增强噪声。
二、伽马校正
SOURCE：O = I^{\gamma}，I 归一化到 [0,1]。
def gamma_correct(img, gamma=1.0): inv = 1.0 / gamma table = np.array([((i/255.0)**inv)*255 for i in range(256)]).astype('uint8') return cv2.LUT(img, table) bright = gamma_correct(img, 0.5) # γ<1 提亮 dark = gamma_correct(img, 2.0)
| 方法 | 适用 | 副作用 |
|---|---|---|
| 均衡 | 整体偏暗/亮 | 噪声放大 |
| γ 校正 | 显示器/非线性 | 需调 γ |
| CLAHE | 局部对比 | 参数 blockSize |
灰度增强路径
灰度增强路径
三、CLAHE（扩展）
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) cl = clahe.apply(img)
医学 X 光常用 CLAHE 避免全局均衡过曝。
四、实验
- 对欠曝图分别 eq 与 γ=0.6，目视+直方图对比
- 记录 CLAHE
clipLimit从 1→4 的变化
⚠️ 常见坑：对彩色图直接 equalize 各通道 — 色偏；应转 YUV 对 Y 通道做。
💡 关键直觉：直方图是诊断工具 — 先看分布再选变换。
本章回顾
equalizeHist全局对比度- 伽马 LUT 快速非线性映射
- CLAHE 适合局部细节
- 彩色增强在亮度通道做
下一节几何变换。
直方图是图像的"体检报告"
直方图统计每个灰度级出现的像素个数，归一化后就是灰度的概率分布。看直方图能直接诊断图像问题：整体偏暗的图直方图集中在左侧低灰度区；偏亮集中在右侧；对比度低的图直方图瘦长集中在中间；双峰直方图往往意味着前景背景灰度分离明显（这是 Otsu 分割的前提）。因此直方图不是要"背的结论"，而是要"用的工具"——拿到任何一张图像，先画直方图判断状态，再决定增强手段，这是专业与业余的分水岭。
import cv2, numpy as np def draw_hist(img, name): hist = cv2.calcHist([img], [0], None, [256], [0,256]) norm = hist / hist.sum() # 归一化为概率分布 # 记录灰度均值与标准差，量化"整体明暗"与"对比度" print(name, 'mean=', img.mean(), 'std=', img.std())
均衡化为什么能增强对比度
均衡化把灰度直方图往"均匀分布"方向拉伸：对暗区占多的图，把低灰度区间拉开、让暗部的层次更分明。本质是对灰度做非线性映射 s = T(r)，T 由累积分布函数（CDF）导出——灰度级出现得越多，映射后被拉开得越宽。它的副作用是：原本已经接近均匀的直方图会被过度拉伸，平坦区域（如天空、白墙）的微小噪声被放大成可见的块状纹理。所以均衡化适合"整体偏暗或偏亮"的图像，不适合本身对比度良好的图像。
伽马校正与 CLAHE 的取舍
伽马校正用 O = I^gamma 控制明暗曲线：gamma 小于 1 提亮暗部（显示器对暗部的感知非线性，常见 gamma 2.2 的显示校正），大于 1 压暗亮部。它是一张查找表（LUT），对每个灰度级预先算好映射，逐像素查表即可，速度极快。CLAHE 是均衡化的局部版：把图像分块，每块各自做均衡，并限制对比度增强幅度（clipLimit），避免大块平坦区域被过度增强。三者的选择：全局偏暗用均衡化，显示器非线性或调节明暗用伽马，局部光照不均（如 X 光、文字扫描）用 CLAHE。彩色图像增强时，转 YUV 只对亮度 Y 做，避免色偏，这是必须养成的习惯。
实验设计上，建议用同一张欠曝照片依次跑均衡化、伽马 0.6、CLAHE 三套方案，并排对比直方图和目视效果，重点观察各自的副作用：均衡化是否出现噪块，伽马是否让高光过曝，CLAHE 是否出现块状边界。理解"每种增强手段都带副作用"，是选择增强策略的核心能力。
另外，增强操作在深度学习预处理里也大量出现：训练时对图像做随机亮度、对比度扰动（本质就是伽马和均衡化的随机版），是提升模型光照鲁棒性的标准数据增强手段。学好本节的变换思想，理解那些"增强参数"到底改变了图像的什么，对训练调参也有直接帮助。最后，直方图还有一个隐蔽用途：图像质量检测。工业视觉里可以用直方图分布判断曝光是否合格、是否有条纹伪影、内容是否与预期类别匹配，是自动化产线常见的首道质检手段。
补一个直方图的高级用法：直方图可以当作"图像的指纹"用于匹配与检索——把每张图的灰度直方图归一化成一个向量，两张图的相似度就可以用直方图距离（如相关系数、卡方距离）来度量。工业上常用它做产品质量分拣（颜色分布是否符合标准）、镜头切换检测、以及图片重复检测。此外，直方图匹配（把一张图的直方图形状映射到目标分布）可以统一不同设备拍摄图像的色调，是多相机系统里做色彩一致性校正的基础手段。理解"直方图既是诊断工具也是特征向量"，直方图的用途就完全打开了。