在介紹CLAHE算法之前必須要先提一下直方圖均衡化，直方圖均衡化算法是一種常見(jiàn)的圖像增強(qiáng)算法，可以讓像素的亮度分配的更加均勻從而獲得一個(gè)比較好的觀察效果。

如下圖就是經(jīng)過(guò)直方圖均衡化后的效果圖。

import cv2
import numpy as np


from matplotlib import pyplot as plt
img = cv2.imread(r'E:python_image_simpythonProjectsimimgFig0459(a)(orig_chest_xray).tif', 0)
img = cv2.resize(img, (500, 500))
equ=cv2.equalizeHist(img)
res = np.hstack((img, equ))
# stacking images side-by-side
cv2.imshow('img', res)
cv2.waitKey()
cv2.destroyAllWindows()

左邊是原圖，右邊是經(jīng)過(guò)直方圖均衡化后圖，可以看到肋骨什么的可以更加清晰的顯示了出來(lái)，能夠更好的觀察到肋骨等位置的細(xì)節(jié)。

但是美中不足的是總感覺(jué)有的地方太亮了，干擾到了我們的觀察。

這是因?yàn)橹狈綀D均衡化有著兩個(gè)問(wèn)題：

直方圖均衡化是針對(duì)全局進(jìn)行處理的，所以當(dāng)局部出現(xiàn)過(guò)亮或者過(guò)暗的時(shí)候就會(huì)影響效果。

直方圖均衡化會(huì)增強(qiáng)噪聲。

再來(lái)看看經(jīng)過(guò)CLAHE算法后的效果。

import cv2
import numpy as np


from matplotlib import pyplot as plt
img = cv2.imread(r'E:python_image_simpythonProjectsimimgreast_digital_Xray.tif', 0)
img = cv2.resize(img, (500, 500))
equ = cv2.equalizeHist(img)
cla = cv2.createCLAHE(2, (5, 5))
# cv2.ahe
cla = cla.apply(img)
res = np.hstack((img, equ, cla))
# res = np.hstack((img, equ))
# stacking images side-by-side
cv2.imshow('img', res)
cv2.waitKey()
cv2.destroyAllWindows()

最左側(cè)為原圖，中間為直方圖均衡化后的結(jié)果，最右側(cè)為CLAHE算法的效果。

從視覺(jué)效果上來(lái)看，CLAHE算法的效果最為明顯。

CLAHE算法針對(duì)上面兩個(gè)問(wèn)題，提出了相應(yīng)的解決方案：

CLAHE會(huì)將圖像分成一個(gè)一個(gè)的小塊，這樣在局部進(jìn)行直方圖均衡化。

針對(duì)背景噪聲增強(qiáng)的問(wèn)題，CLAHE算法應(yīng)用了限制對(duì)比度的方法。

CLAHE算法的實(shí)現(xiàn)步驟分為以下三個(gè)部分：

對(duì)圖像進(jìn)行分塊

對(duì)每個(gè)塊進(jìn)行直方圖均衡化和限制對(duì)比度

使用插值的方法得到最后增強(qiáng)的圖片

審核編輯：劉清