图像均衡化详解：从直方图均衡到 CLAHE，让图片告别 “灰蒙蒙“

你有没有遇到过这样的图片：要么整体偏暗，细节埋在阴影里；要么偏亮，亮部一片惨白；要么对比度太低，看起来 "灰蒙蒙" 的？比如手机拍的逆光照片，人脸黑得看不清；或者旧相机拍的老照片，明暗糊成一团。这时候，图像均衡化就能帮上忙 —— 它通过调整图片的亮度分布，让暗的地方亮一点、亮的地方暗一点，最终让图片细节更清晰。

一、先搞懂：什么是 "亮度分布"？

要理解均衡化，得先知道图片的 "亮度分布"—— 专业点叫灰度直方图。咱们拿一张灰度图（黑白图）举例：灰度图里每个像素的亮度用 "灰度值" 表示，范围通常是 0（纯黑）~255（纯白）。直方图就是把这些灰度值统计一下：横轴是灰度值（0~255），纵轴是 "有多少个像素是这个灰度值"。

比如：

• 一张偏暗的图，直方图的 "柱子" 主要堆在左边（灰度值低的区域）；
• 一张偏亮的图，柱子主要堆在右边（灰度值高的区域）；
• 一张对比度低的图，柱子挤在中间一小段（灰度值集中，明暗差别小）；
• 一张对比度正常的图，柱子分布比较均匀（从黑到白都有像素，细节丰富）。

举个具体例子：假设test.png是一张逆光拍的猫的灰度图，猫的脸在阴影里，直方图上 0~50 的柱子特别高（暗像素多），150~255 的柱子也不低（背景亮），但中间 50~150 的柱子很矮 —— 这就是典型的 "明暗两极分化，中间细节少"，看起来脸黑、背景刺眼。

而图像均衡化的核心就是：把集中的灰度值 "拉开"，让直方图分布更均匀。这样暗的地方能提亮，亮的地方能压暗，中间细节就显出来了。

二、基础款：灰度直方图均衡化

最常用的均衡化方法是灰度直方图均衡化（Histogram Equalization）。它的逻辑很简单：通过一个 "映射规则"，把原来集中的灰度值重新分配到 0~255 的整个范围，让每个灰度区间的像素数量尽量均匀。

直方图均衡化的 "三步法"

不用公式也能懂，咱们拿一个简化的例子说清楚。假设一张图的灰度值只有 0~3（共 4 个等级），原始直方图统计如下：

总像素 100 个，原来的灰度集中在 0（50%）和 1（30%），2 和 3 很少，看起来肯定偏暗。均衡化就是要把这些灰度 "重新分配"：

步骤 1：算 "累积比例"
就是把每个灰度值的 "频率" 从左到右加起来（上表第 4 列）。比如灰度值 1 的累积比例是 0.8，意思是 "灰度≤1 的像素占 80%"。

步骤 2：用累积比例映射新灰度
新灰度值 = （最大灰度值 - 1）× 累积比例，再取整。这里最大灰度是 3，所以：

• 原灰度 0：新灰度 = 3×0.5=1.5→取 1；
• 原灰度 1：新灰度 = 3×0.8=2.4→取 2；
• 原灰度 2：新灰度 = 3×0.95=2.85→取 3；
• 原灰度 3：新灰度 = 3×1.0=3→取 3。

步骤 3：更新像素值
把原图中所有灰度 0 的像素改成 1，灰度 1 的改成 2，灰度 2 和 3 的改成 3。新的直方图如下：

现在像素分布在 1~3，没有集中在 0 了，图片就会亮起来，细节更清楚。

实际效果：从 "灰蒙蒙" 到 "清透"

回到test.png（逆光猫图）：

• 均衡化前：直方图左密右疏，暗部像素挤在一起，猫脸细节看不清；
• 均衡化后：直方图被 "拉宽"，从 0~255 都有像素分布，暗部（猫脸）被提亮，亮部（背景）被压暗，既能看清猫的胡须，背景也不刺眼。

但要注意：直方图均衡化是 "全局调整"—— 它不管图片里的局部区域，只看整体灰度分布。这就导致它有个缺点：如果图片里有局部亮 / 暗区域，均衡化可能 "顾此失彼"。

比如一张 "一半暗一半亮" 的图（左边是阴影里的树，右边是阳光下的墙）：

• 全局均衡化后，左边暗部提亮了，但右边亮部可能因为 "要给暗部让位置" 而过度变暗，甚至变成全黑；
• 或者如果图片有噪声（比如老照片的斑点），均衡化会把噪声也一起 "放大"，斑点变得更明显。

三、进阶款：自适应直方图均衡化（CLAHE）

为了解决 "全局均衡化顾此失彼" 的问题，有人提出了自适应直方图均衡化（AHE）—— 简单说就是 "分块处理"：把图片分成很多小方块（比如 8x8），每个方块单独做直方图均衡化。这样局部暗的方块单独提亮，局部亮的方块单独压暗，不会互相干扰。

但 AHE 也有问题：如果某个小方块里全是暗像素（比如纯黑的区域），均衡化后会把噪声放大成 "雪花点"。所以实际中更常用的是限制对比度的自适应直方图均衡化（CLAHE）—— 它在 AHE 的基础上加了 "对比度限制"：如果某个灰度的像素太多（比如超过一个阈值），就把多余的像素 "分散" 到其他灰度区间，避免局部过度增强噪声。

CLAHE vs 普通均衡化：差距很明显

用一张有 "局部阴影" 的图（比如test.png是带树荫的路面，有的地方被树挡住暗，有的地方亮）：

• 普通均衡化：整体提亮后，亮的路面可能过曝（变成纯白），暗的树荫里细节还是看不清；
• CLAHE：树荫块单独均衡（提亮），路面块单独均衡（压暗），既能看清树荫下的石子，路面也不刺眼，噪声也少。

四、MATLAB 脚本：对比 3 种效果（原图 + 均衡化 + CLAHE）

下面是完整的 MATLAB 脚本，读入test.png，分别做 "原图直方图、普通直方图均衡化、CLAHE" 的效果对比，帮你直观看到差异。记得把test.png和脚本放同一文件夹哦！

% 图像均衡化效果对比（原图+直方图均衡+CLAHE）
clear; clc; close all;% 1. 读入图片并转灰度图
img = imread('test.png');
if size(img, 3) == 3  % 若为彩色图，转灰度图img_gray = rgb2gray(img);
elseimg_gray = img;  % 已为灰度图则直接使用
end% 2. 计算原图的灰度直方图
[counts_original, gray_levels] = imhist(img_gray);% 3. 普通直方图均衡化（全局均衡）
img_eq = histeq(img_gray);  % MATLAB自带histeq函数实现
[counts_eq, ~] = imhist(img_eq);  % 均衡化后的直方图% 4. CLAHE（限制对比度自适应均衡化）
% 修正参数名：'NumTiles'控制分块大小（[行数, 列数]），默认[8,8]
% 'ClipLimit'控制对比度限制（默认0.01，值越大增强越明显但可能放大噪声）
img_clahe = adapthisteq(img_gray, 'ClipLimit', 0.02, 'NumTiles', [16 16]);
[counts_clahe, ~] = imhist(img_clahe);  % CLAHE后的直方图% 5. 对比显示结果（6个子图：原图/均衡图/CLAHE图 + 对应直方图）
figure('Position', [100, 100, 1200, 800]);  % 设置图窗大小% 5.1 原图与原图直方图
subplot(3, 2, 1);
imshow(img_gray);
title('1. 原始灰度图');subplot(3, 2, 2);
bar(gray_levels, counts_original, 'FaceColor', [0.8 0.8 1]);  % 浅蓝色柱子
xlabel('灰度值（0~255）'); ylabel('像素数量');
title('原始灰度直方图');
xlim([0, 255]);  % 固定x轴范围，便于对比% 5.2 普通均衡化图与直方图
subplot(3, 2, 3);
imshow(img_eq);
title('2. 普通直方图均衡化');subplot(3, 2, 4);
bar(gray_levels, counts_eq, 'FaceColor', [0.8 1 0.8]);  % 浅绿色柱子
xlabel('灰度值（0~255）'); ylabel('像素数量');
title('均衡化后直方图');
xlim([0, 255]);% 5.3 CLAHE图与直方图
subplot(3, 2, 5);
imshow(img_clahe);
title('3. CLAHE（自适应均衡化）');subplot(3, 2, 6);
bar(gray_levels, counts_clahe, 'FaceColor', [1 0.8 0.8]);  % 浅红色柱子
xlabel('灰度值（0~255）'); ylabel('像素数量');
title('CLAHE后直方图');
xlim([0, 255]);% 保存结果图到当前文件夹
saveas(gcf, '均衡化效果对比.png');
disp('处理完成！结果图已保存为"均衡化效果对比.png"');

五、效果说明：3 种图对比看差异

运行脚本后，会生成一张 6 图对比的结果（均衡化效果对比.png），重点看这几点：

1. 原图 vs 普通均衡化：

   • 原图直方图如果集中在左 / 中 / 右（偏暗 / 灰 / 亮），均衡化后的直方图会 "拉宽"，覆盖 0~255 更多区域；
   • 图片整体对比度提升，但如果原图有局部亮暗差异（比如逆光），可能出现 "亮部过曝" 或 "暗部噪声放大"。

2. 普通均衡化 vs CLAHE：

   • CLAHE 的直方图更 "均匀且柔和"，不会像普通均衡化那样有突然的 "高柱子"；
   • 图片局部细节更清晰（比如暗部的小纹理），亮部不会过曝，噪声也更少 —— 尤其适合有局部阴影、复杂明暗的图（如风景、人像、老照片）。

另外，特别注意，图像增强的目的可以是多种多样的，均衡化是为了让亮度分布更合理，能够展现更多的清晰细节，并不一定是最自然、看起来感官体验最清晰的，因此如果你的test.png本来就像扒谱机一样是一个很好看的小猫，可能均衡化的结果并不是非常的自然。

六、实用技巧：什么时候用哪种均衡化？

• 普通直方图均衡化：适合 "整体偏暗 / 偏亮、无明显局部阴影" 的图，比如阴天拍的远景（整体灰蒙蒙）、曝光不足的证件照 —— 优点是简单快，缺点是局部细节可能照顾不到。

• CLAHE：适合 "有局部阴影、明暗复杂" 的图，比如逆光人像（脸暗背景亮）、树荫下的路面、老照片（有斑驳噪声）—— 优点是局部细节好，缺点是参数需要微调（比如ClipLimit：噪声多就设小一点，比如 0.01；需要强增强就设大一点，比如 0.03）。

• 不用均衡化的情况：如果图片本身对比度正常（比如晴天拍的清晰照片），均衡化后反而会 "过度增强"，导致色彩失真（比如皮肤变成惨白）、细节模糊。

总结：均衡化的核心是 "让亮度分布更合理"

不管是普通直方图均衡化，还是进阶的 CLAHE，本质都是通过调整灰度分布，让图片的 "亮度资源"（0~255 的灰度值）用得更合理 —— 暗的地方别挤在一块，亮的地方别占满空间，最终让眼睛能看清更多细节。

实际用的时候不用纠结原理，先试普通均衡化，效果不好就换 CLAHE，调调ClipLimit参数（MATLAB 的adapthisteq函数默认参数就不错，新手可以直接用）。一张 "灰蒙蒙" 的图，可能只需一行代码，就能变得清透 —— 这就是均衡化的魅力～