一、背景介绍

        图像算法处理中，经常需要遇到图像对比度调整的情况，CLAHE(Contrast Limited Adaptive Histogram Equalization)则是一种基于直方图，使用非常普遍的图像对比度调整算法。

        关于这个算法的介绍有很多，基本原理这些，我就不做过多讲解了，可以参考如下这些文章：

刘斯宁：Image Enhancement - CLAHE 基本原理讲解

CLAHE的实现和研究-阿里云开发者社区 实现代码讲解

二、实现流程

        1、输入图像进行图像分块，块分得越细，图像对比度调整效果相对越好，但副作用也越明显。

        2、统计每个块的图像直方图信息，并生成均衡化直方图H。

        3、根据设置的限制参数强度，对直方图信息进行重新分配：

                a、设置一个阈值T，将均衡化后直方图，从H[0]到H[255]上依此遍历，把大于阈值T的都全部减去，并统计一共减去了多少像素sub_pixel。

                b、计算mean_pixel = sub_pixel / 256,然后将H[0]到H[255]上，都全部加上mean_pixel的值。

                比如T=3000， H[0]=500，H[128]=20000，计算后mean_pixel=346。

        那个根据调整，第一步时候H[0]保持不变，H[128]被强行截断为3000；第二步时候，H[0]=846, H[128]=3346，通过这种方式将均衡化后直方图进行了重新分配，避免了直方图部分区域聚集的像素值太多，导致最终均衡化后图像对比度特别大和亮度变化特别严重的情况。

        调整前和调整后直方图对比，可以参考如下图所示：

 

        因此容易理解到：阈值T的设置对算法效果影响较大，当T足够小的时候，算法结果和原图一模一样，当T足够大的时候，算法结果和直方图均衡化一模一样。

三、代码实现

1、效果演示

        左边为输入图，右边为结果图像：

 

        从上面图像上也可以看到，Clahe算法也存在很多明显缺陷：

                1、局域块效应(局域块异常亮或者黑，即便使用了插值，依然和周围过度不太自然)

                2、结果图像噪声放大。

                3、结果图像相对于输入，整体亮度出现明显变化等。

        为了改善这些缺陷，也引申出了很多相关的优化算法，比如局域块选择自适应的的阈值T，局域直方图和全局直方图融合，局域直方图和邻域直方图融合等

2、复现代码

        文章:CLAHE的实现和研究-阿里云开发者社区 提供了完整的代码实现的，我这里在他基础上做了点稍微整理，方便归档笔记：ImageQualityEnhancement/ltm/clahe at master · yulinghan/ImageQualityEnhancement · GitHub