深入解析：【图像处理基石】常用的图像增强算法有哪些？

在计算机视觉任务中，图像增强是预处理阶段的核心环节。它通过一系列算法改善图像的视觉质量、提升对比度、突出细节或去除噪声，从而为后续的分类、检测、分割等任务打下坚实基础。本文将梳理常用的图像增强算法，结合原理分析与代码实现，帮助你快速掌握这些实用技术。

一、直方图均衡化（Histogram Equalization）

原理

图像的直方图反映了不同灰度级（0-255）的像素分布情况。直方图均衡化的核心思想是拉伸直方图的动态范围，将原始图像的灰度分布映射为更均匀的分布，从而提升全局对比度。

具体步骤：

1. 计算原始图像的灰度直方图；
2. 计算累积分布函数（CDF）；
3. 将CDF映射到0-255的灰度范围，得到新的像素值。

代码实现（OpenCV）

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像（转为灰度图）
img = cv2.imread('test.jpg', 0)
# 直方图均衡化
equ = cv2.equalizeHist(img)
# 显示对比
plt.figure(figsize=(10, 4))
plt.subplot(121), plt.imshow(img, cmap='gray'), plt.title('Original')
plt.subplot(122), plt.imshow(equ, cmap='gray'), plt.title('Equalized')
plt.show()
# 绘制直方图对比
plt.figure(figsize=(10, 4))
plt.subplot(121), plt.hist(img.ravel(), 256, [0, 256]), plt.title('Original Hist')
plt.subplot(122), plt.hist(equ.ravel(), 256, [0, 256]), plt.title('Equalized Hist')
plt.show()

效果

原始图像若存在光照不均或对比度低的问题，均衡化后会明显提亮，细节更清晰。但缺点是可能过度增强噪声，导致局部过曝。

二、自适应直方图均衡化（CLAHE）

原理

为解决直方图均衡化“全局处理”的弊端，CLAHE（Contrast Limited Adaptive Histogram Equalization）采用分块处理：将图像划分为多个小块（tiles），对每个小块单独做直方图均衡化；同时通过“对比度限制”避免噪声被过度放大（超过阈值的直方图部分会被裁剪并均匀分布）。

代码实现（OpenCV）

# 创建CLAHE对象（clipLimit为对比度限制，tileGridSize为分块大小）
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
cl1 = clahe.apply(img)
# 显示对比
plt.figure(figsize=(10, 4))
plt.subplot(131), plt.imshow(img, cmap='gray'), plt.title('Original')
plt.subplot(132), plt.imshow(equ, cmap='gray'), plt.title('Equalized')
plt.subplot(133), plt.imshow(cl1, cmap='gray'), plt.title('CLAHE')
plt.show()

效果

CLAHE能更好地保留局部细节，避免全局均衡化的过曝问题，尤其适合医学图像（如CT、X光）或逆光图像的增强。

三、伽马校正（Gamma Correction）

原理

现实中，人眼对亮度的感知是非线性的，而相机传感器的响应也是非线性的。伽马校正通过幂函数变换调整图像的非线性对比度：
$$I_{out}=I_{in}^{\gamma }$$

• $\gamma <1$：提亮图像（暗部细节增强）；
• $\gamma >1$：变暗图像（亮部细节增强）；
• $\gamma =1$：无变化。

代码实现

def gamma_correction(img, gamma=1.0):
# 构建伽马变换表
inv_gamma = 1.0 / gamma
table = np.array([((i / 255.0) ** inv_gamma) * 255
for i in np.arange(0, 256)]).astype("uint8")
# 应用变换
return cv2.LUT(img, table)
# 测试不同gamma值
img_color = cv2.imread('test.jpg')
img_color = cv2.cvtColor(img_color, cv2.COLOR_BGR2RGB)  # 转换为RGB格式显示
gamma_05 = gamma_correction(img_color, 0.5)
gamma_2 = gamma_correction(img_color, 2.0)
# 显示对比
plt.figure(figsize=(12, 4))
plt.subplot(131), plt.imshow(img_color), plt.title('Original (gamma=1)')
plt.subplot(132), plt.imshow(gamma_05), plt.title('Gamma=0.5 (Brighter)')
plt.subplot(133), plt.imshow(gamma_2), plt.title('Gamma=2 (Darker)')
plt.show()

效果

伽马校正特别适合修复逆光拍摄的图像（$\gamma =0.4$_{$0.6$）或过曝图像（$\gamma=1.5$}$2.5$）。

四、拉普拉斯锐化（Laplacian Sharpening）

原理

图像锐化的目标是突出边缘和细节。拉普拉斯算子是二阶微分算子，能检测图像中的灰度突变（边缘）；将拉普拉斯滤波结果叠加到原图，即可增强细节：
$$I_{sharp}=I_{in}+k\times Laplacian(I_{in})$$
其中$k$为锐化强度。

代码实现

# 读取彩色图像并转为灰度图
img = cv2.imread('test.jpg', 0)
# 定义拉普拉斯算子（3x3）
laplacian = np.array([[0, 1, 0],
[1, -4, 1],
[0, 1, 0]], dtype=np.float32)
# 应用拉普拉斯滤波
laplacian_img = cv2.filter2D(img, -1, laplacian)
# 锐化图像
sharp = cv2.add(img, -1 * laplacian_img)  # 负号抵消拉普拉斯的负响应
# 显示对比
plt.figure(figsize=(10, 4))
plt.subplot(121), plt.imshow(img, cmap='gray'), plt.title('Original')
plt.subplot(122), plt.imshow(sharp, cmap='gray'), plt.title('Laplacian Sharpening')
plt.show()

效果

锐化后的图像边缘更清晰，适合处理模糊的图像（如失焦拍摄的照片）。

五、噪声去除与增强

噪声会掩盖图像细节，常见的去噪算法包括：

• 高斯滤波：去除高斯噪声（平滑模糊）；
• 中值滤波：去除椒盐噪声（保留边缘）；
• 双边滤波：去噪的同时保留边缘（兼顾平滑与细节）。

代码实现

# 添加椒盐噪声
def add_salt_pepper_noise(img, prob=0.02):
output = np.copy(img)
# 盐噪声（白色）
salt = np.random.rand(*img.shape) < prob
output[salt] = 255
# 椒噪声（黑色）
pepper = np.random.rand(*img.shape) < prob
output[pepper] = 0
return output
# 测试去噪效果
img = cv2.imread('test.jpg', 0)
noisy_img = add_salt_pepper_noise(img)
# 中值滤波去噪
median = cv2.medianBlur(noisy_img, 3)
# 高斯滤波
gaussian = cv2.GaussianBlur(noisy_img, (3, 3), 0)
# 显示对比
plt.figure(figsize=(12, 4))
plt.subplot(131), plt.imshow(noisy_img, cmap='gray'), plt.title('Noisy Image')
plt.subplot(132), plt.imshow(median, cmap='gray'), plt.title('Median Filter')
plt.subplot(133), plt.imshow(gaussian, cmap='gray'), plt.title('Gaussian Filter')
plt.show()

效果

中值滤波对椒盐噪声的去除效果最优，高斯滤波适合高斯噪声，双边滤波则是“去噪+保边”的平衡选择。

总结：算法选型指南

算法	适用场景	优点	缺点
直方图均衡化	全局对比度低的图像	简单高效	易放大噪声、局部过曝
CLAHE	局部光照不均的图像（如医学图）	保留局部细节	计算稍复杂
伽马校正	非线性光照问题（逆光/过曝）	灵活调整亮度	需手动调gamma值
拉普拉斯锐化	模糊图像的细节增强	边缘突出明显	易放大噪声
中值/高斯滤波	含噪声的图像	有效去噪	过度滤波会模糊细节

实际应用中，常将多种算法组合使用（如“去噪→伽马校正→CLAHE”），以达到最佳增强效果。

最后

图像增强是计算机视觉的基础技能，掌握这些算法能显著提升模型的鲁棒性。建议结合自己的数据集测试不同算法的效果，根据场景灵活选型。如果有疑问，欢迎在评论区交流～

参考资料：

• OpenCV官方文档
• 《数字图像处理》（冈萨雷斯）