【数据增强实战】对比度增强算法：手撕算法vs零代码工具——效率翻倍的秘诀全公开！(附源码)

引言

图像增强是图像处理中的一个重要领域，旨在改善图像的视觉效果或提取更有用的信息。

对比度增强是图像增强中的一种常见技术，通过调整图像的对比度来增强图像的细节和清晰度。本文将介绍几种常见的对比度增强算法，并提供相关的代码资源。

文章最后还有关于无代码的图像增强算法即点即用说明！

一、对比度增强算法概述

对比度增强算法的目标是通过调整图像的像素值分布，使得图像的亮暗区域更加分明，从而增强图像的细节和视觉效果。常见的对比度增强算法包括直方图均衡化、自适应直方图均衡化、伽马变换、对比度拉伸等。

二、常见对比度增强算法

• 直方图均衡化（Histogram Equalization）

直方图是一个统计学上的概念，它通过一系列水平条形来展示数据的分布情况。在图像处理中，直方图用来表示图像中像素强度分布的图表，其中横轴代表像素强度值（通常是0到255的整数），纵轴代表具有该强度值的像素数量。直方图可以展示图像的亮度分布，帮助我们理解图像的整体亮度水平，以及图像中亮部和暗部的相对比重。

直方图通过统计图像中各个亮度级别的像素数量，能够直观地显示出图像亮度的分布情况。例如，在一个完全黑暗的图像中，所有的像素值都会集中在直方图的最左边，而在一个全白的图像中，直方图则会向最右边倾斜。一个具有均衡亮度的图像，其直方图将接近均匀分布，这意味着各个亮度级别的像素数量大致相同。

算法步骤：

计算图像的灰度直方图。

计算累积分布函数（CDF）。

使用CDF对图像像素进行映射。

代码示例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('image.jpg', 0)

# 直方图均衡化
equ = cv2.equalizeHist(img)

# 显示结果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(img, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Histogram Equalized')
plt.imshow(equ, cmap='gray')
plt.show()

自适应直方图均衡化（Adaptive Histogram Equalization, AHE）

自适应直方图均衡化是对直方图均衡化的改进，它将图像分成若干个小区域，对每个区域分别进行直方图均衡化。这种方法可以更好地增强局部对比度，但可能会引入噪声。

在CLAHE提出以前，学者还提出了自适应直方图均衡Adaptive Histogram Equalization。自适应直方图均衡化(AHE)用来提升图像的对比度的一种计算机图像处理技术。和普通的直方图均衡算法不同，AHE算法通过计算图像的局部直方图，然后重新分布亮度来来改变图像对比度。因此，该算法更适合于改进图像的局部对比度以及获得更多的图像细节。

AHE的思想很简单：为了改善局部对比度，我们采用块操作。此时HE在每一个块上都会最优，从而实现各个局部最优。进一步，为了避免边界效应，我们组合块时采用双线性插值法，而不是简单的合并。 

代码示例：

from skimage import exposure
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('image.jpg', 0)

# 自适应直方图均衡化
adaptive_equalized = exposure.equalize_adapthist(img, clip_limit=0.03)

# 显示结果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(img, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Adaptive Histogram Equalized')
plt.imshow(adaptive_equalized, cmap='gray')
plt.show()

限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization, CLAHE）

CLAHE是AHE的改进版本，通过限制对比度来避免噪声的过度放大。它在增强局部对比度的同时，能够有效控制噪声。

CLAHE同普通的自适应直方图均衡不同的地方主要是其对比度限幅。这个特性也可以应用到全局直方图均衡化中，即构成所谓的限制对比度直方图均衡（CLAHE），但这在实际中很少使用。在CLAHE中，对于每个小区域都必须使用对比度限幅。CLAHE主要是用来克服AHE的过度放大噪音的问题。 

这主要是通过限制AHE算法的对比提高程度来达到的。在指定的像素值周边的对比度放大主要是由变换函数的斜度决定的。这个斜度和领域的累积直方图的斜度成比例。CLAHE通过在计算CDF前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的。这限制了CDF的斜度。因此，也限制了变换函数的斜度。直方图被裁剪的值，也就是所谓的裁剪限幅，取决于直方图的分布因此也取决于领域大小的取值。

代码示例：

import cv2
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('image.jpg', 0)

# CLAHE
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_img = clahe.apply(img)

# 显示结果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(img, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('CLAHE Image')
plt.imshow(clahe_img, cmap='gray')
plt.show()

伽马变换（Gamma Correction）

Gamma变换是图像处理中用以调整图像的亮度和对比度来改善图像质量的。Gamma变换是基于人眼对亮度的感知非线性，人眼对亮度的敏感度随着亮度的增加而减少，也就是人眼在图像亮度较低时，人眼对亮度的变换更敏感。例如：人眼在夜晚很容易看见萤火虫，而在白天不容易看到天空中飞翔的鸟。

Gamma 变换本质上是一种对图像进行非线性亮度变换的过程，目的是为了更好地匹配人眼对光线强度的非线性响应特性。人的视觉系统对光照强度的反应并不是线性的，这意味着一个线性变化的光强，人眼感知起来却并非如此。

算法步骤：

对图像像素值进行归一化。

应用伽马变换：

I_out = I_in ^ gamma

将像素值重新映射到原始范围。

代码示例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('image.jpg', 0)

# 伽马校正
gamma = 1.5
gamma_corrected = np.power(img / 255.0, gamma) * 255.0
gamma_corrected = np.uint8(gamma_corrected)

# 显示结果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(img, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Gamma Corrected Image')
plt.imshow(gamma_corrected, cmap='gray')
plt.show()

对比度拉伸（Contrast Stretching）

对比度拉伸通过线性变换将图像的像素值范围扩展到整个动态范围，从而增强图像的对比度。

代码示例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('image.jpg', 0)

# 对比度拉伸
min_val = np.min(img)
max_val = np.max(img)
stretched_img = (img - min_val) * (255.0 / (max_val - min_val))
stretched_img = np.uint8(stretched_img)

# 显示结果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(img, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Contrast Stretched Image')
plt.imshow(stretched_img, cmap='gray')
plt.show()

局部对比度增强（Local Contrast Enhancement）

图像的对比度增强算法在很多场合都有着重要的应用，特别是在医学图像上，这是因为在众多疾病的诊断中，医学图像的视觉检查是很有必要的。而医学图像由于本身及成像条件的限制，图像的对比度很低。因此，在这个方面已经开展了很多的研究。这种增强算法一般都遵循一定的视觉原则。众所周知，人眼对高频信号（边缘处等）比较敏感。虽然细节信息往往是高频信号，但是他们时常嵌入在大量的低频背景信号中，从而使得其视觉可见性降低。因此适当的提高高频部分能够提高视觉效果并有利于诊断。

局部对比度增强（Local Contrast Enhancement, LCE）是一种图像处理技术，旨在通过调整图像的局部区域对比度，增强图像细节和视觉效果。

在局部对比度增强方面，有两种方式是最为有名的，一种是自适应直方图均衡化(AHE)，还有一种就是自适应对比度增强(ACE)。AHE算法使用局部的直方图的相关信息对数据进行映射。这改变了图像的对比度，但是需要大量的计算。后来有人利用了双线性差值技术克服了这个问题，首先将图像分块，然后分别计算这些块内部的映射关系。为了增强某一个像素点的值，映射关系通过与这个像素所在块相邻的四个块的映射关系差值获得。在这个算法中，仅仅需要一个块大小的参数。

ACE算法采用了反锐化掩模技术，我们对此过程解释如下：首先图像被分成两个部分。一是低频的反锐化掩模（unsharp mask）部分，可以通过图像的低通滤波（平滑，模糊技术）获得。二是高频成分，可以过原图减去反锐化掩模获取。然后高频部分被放大（放大系数集为对比度增益CG)并加入到反锐化掩模中去，最后得到增强的图像。

代码示例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('image.jpg', 0)

# 局部对比度增强
kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])
local_enhanced = cv2.filter2D(img, -1, kernel)

# 显示结果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(img, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Local Contrast Enhanced Image')
plt.imshow(local_enhanced, cmap='gray')
plt.show()

三、结论

对比度增强是图像处理中的一个重要技术，能够有效提升图像的视觉效果和细节。本文介绍了几种常见的对比度增强算法，包括直方图均衡化、自适应直方图均衡化、CLAHE、伽马校正、对比度拉伸和局部对比度增强通过这些算法，可以根据不同的应用场景选择合适的对比度增强方法，以达到最佳的图像处理效果。

四、无代码怎么进行图像增强呢？

Coovally AI模型训练与应用平台整合了30+国内外开源社区1000+模型算法以及各类公开识别数据集。

同样也有几十种图像增强工具，其中包含了直方图均衡化、灰度变换、随机缩放、随机亮度对比度、Gamma变换、FancyPCA、CLAHE、通道打乱等，皆可无代码实现，上传图片选择增强方法，实时可见增强后效果，还能下载数据和模型训练。