在介绍CLAHE算法之前必须要先提一下直方图均衡化，直方图均衡化算法是一种常见的图像增强算法，可以让像素的亮度分配的更加均匀从而获得一个比较好的观察效果。

如下图就是经过直方图均衡化后的效果图。

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()

左边是原图，右边是经过直方图均衡化后图，可以看到肋骨什么的可以更加清晰的显示了出来，能够更好的观察到肋骨等位置的细节。

但是美中不足的是总感觉有的地方太亮了，干扰到了我们的观察。

这是因为直方图均衡化有着两个问题：

直方图均衡化是针对全局进行处理的，所以当局部出现过亮或者过暗的时候就会影响效果。

直方图均衡化会增强噪声。

再来看看经过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，	电子元器件采购网	 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()

最左侧为原图，中间为直方图均衡化后的结果，最右侧为CLAHE算法的效果。

从视觉效果上来看，CLAHE算法的效果最为明显。

CLAHE算法针对上面两个问题，提出了相应的解决方案：

CLAHE会将图像分成一个一个的小块，这样在局部进行直方图均衡化。

针对背景噪声增强的问题，CLAHE算法应用了限制对比度的方法。

CLAHE算法的实现步骤分为以下三个部分：

对图像进行分块

对每个块进行直方图均衡化和限制对比度

使用插值的方法得到最后增强的图片

审核编辑：刘清

• 介绍
• FPGA
• 算法
• 图像处理
• -CLAHE