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的圖像增強算法，可以讓像素的亮度分配的更加均勻從而獲得一個比較好的觀察效果。

如下圖就是經過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，右邊是經過直方圖均衡化后圖，可以看到肋骨什么的可以更加清晰的顯示了出來，能夠更好的觀察到肋骨等位置的細節。

但是美中不足的是總感覺有的地方太亮了，干擾到了我們的觀察。

這是因為直方圖均衡化有著兩個問題：

直方圖均衡化是針對全局進行處理的，所以當局部出現過亮或者過暗的時候就會影響效果。

直方圖均衡化會增強噪聲。

再來看看經過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()

最左側為原圖，中間為直方圖均衡化后的結果，最右側為CLAHE算法的效果。

從視覺效果上來看，CLAHE算法的效果最為明顯。

CLAHE算法針對上面兩個問題，提出了相應的解決方案：

CLAHE會將圖像分成一個一個的小塊，這樣在局部進行直方圖均衡化。

針對背景噪聲增強的問題，CLAHE算法應用了限制對比度的方法。

CLAHE算法的實現步驟分為以下三個部分：

對圖像進行分塊

對每個塊進行直方圖均衡化和限制對比度

使用插值的方法得到最后增強的圖片

審核編輯：劉清