【低光图像增强】直方图均衡技术综述附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在众多实际场景中，如夜间监控、室内拍摄、恶劣天气下的图像采集等，常常会得到低光图像。这类图像存在对比度低、细节模糊、噪声明显等问题，严重影响了后续的图像分析、目标检测与识别等任务的准确性和效率。因此，低光图像增强技术成为计算机视觉领域的研究热点之一。

直方图均衡技术作为一种经典的图像增强方法，通过调整图像的灰度直方图分布，有效提升图像的对比度，增强图像细节，在低光图像增强中得到了广泛应用。本文将对低光图像增强中的直方图均衡技术进行全面综述，梳理其发展历程、主要方法、优缺点及应用场景，为相关研究和应用提供参考。

2. 直方图均衡技术基本原理

3. 低光图像增强中常用的直方图均衡方法

3.1 全局直方图均衡化（Global Histogram Equalization, GHE）

全局直方图均衡化是最基本的直方图均衡方法，它对整幅图像的灰度直方图进行均衡化处理。该方法计算简单、速度快，能够在一定程度上提升低光图像的整体亮度和对比度。

然而，全局直方图均衡化存在明显的局限性。对于低光图像，由于其大部分像素集中在低灰度区域，全局均衡化可能会过度增强图像的噪声，同时在高灰度区域容易出现过饱和现象，导致图像细节丢失。例如，在夜间监控图像中，使用全局直方图均衡化后，虽然图像整体变亮，但一些暗区域的噪声会被放大，而亮区域的灯光可能会变成一片白色，丢失了灯光周围的细节。

3.2 局部直方图均衡化（Local Histogram Equalization, LHE）

为了克服全局直方图均衡化的不足，局部直方图均衡化方法应运而生。该方法将图像划分为多个子区域（通常为矩形窗口），对每个子区域分别进行直方图均衡化处理，然后通过插值等方式得到整个图像的增强结果。

局部直方图均衡化能够更好地保留图像的局部细节，因为它考虑了图像不同区域的灰度分布特性。在低光图像中，不同区域的光照条件可能存在差异，局部均衡化可以针对每个区域进行精细调整，增强暗区域的细节，同时避免亮区域的过饱和。

但是，局部直方图均衡化也存在一些问题。一方面，子区域的大小选择对增强效果影响较大，过小的子区域会导致图像块效应明显，过大的子区域则接近全局均衡化的效果；另一方面，该方法计算量较大，处理速度较慢，不利于实时应用。此外，在噪声较多的低光图像中，局部均衡化可能会加剧噪声的影响。

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

限制对比度自适应直方图均衡化是局部直方图均衡化的改进方法，它通过限制每个子区域的对比度增益，避免了过度增强噪声和出现过饱和现象。

CLAHE 的主要步骤包括：将图像划分为子区域；对每个子区域计算直方图，并将超过一定阈值（对比度限制阈值）的部分截断，然后将截断的部分均匀分配到其他灰度级；对每个子区域进行直方图均衡化；最后通过双线性插值消除子区域之间的边界效应。

在低光图像增强中，CLAHE 能够有效提升图像的局部对比度，增强细节信息，同时抑制噪声的过度放大，是一种性能优良的增强方法。它在医学图像增强、遥感图像增强以及低光监控图像增强等领域得到了广泛应用。不过，CLAHE 的参数选择（如子区域大小、对比度限制阈值）需要根据具体图像进行调整，不同的参数设置可能会得到差异较大的增强结果。

3.4 基于直方图分区的均衡化方法

这类方法将原始图像的灰度直方图划分为多个区间，对每个区间分别进行处理，然后组合得到增强后的图像。例如，双直方图均衡化（Dual Histogram Equalization, DHE）将原始直方图分为暗部和亮部两个区间，分别进行均衡化，再将结果合并，有效提升了低光图像的亮度和对比度，同时避免了过增强。

还有多峰值直方图均衡化方法，通过检测直方图中的多个峰值，将直方图划分为对应于不同峰值的区间，对每个区间进行均衡化处理，能够更好地保留图像中不同亮度区域的细节。在低光图像中，往往存在多个亮度不同的区域，基于直方图分区的均衡化方法能够针对性地对每个区域进行增强，取得较好的效果。

4. 直方图均衡技术在低光图像增强中的改进与优化

随着研究的深入，研究者们针对低光图像的特点，对传统的直方图均衡技术进行了各种改进与优化。

4.1 结合噪声抑制的直方图均衡方法

低光图像通常含有较多噪声，直接进行直方图均衡化会增强噪声。因此，一些方法在均衡化过程中引入了噪声抑制机制。例如，先对低光图像进行去噪处理（如使用高斯滤波、双边滤波、非局部均值滤波等），再进行直方图均衡化；或者在直方图均衡化的映射函数中加入噪声抑制因子，减少噪声像素的灰度级提升幅度。

4.2 基于亮度保持的直方图均衡方法

部分低光图像增强方法不仅要提升对比度，还要保持图像的自然亮度。一些改进的直方图均衡方法通过调整映射函数，在扩展灰度范围的同时，尽量保持原始图像的整体亮度趋势。例如，亮度保持直方图均衡化（Brightness Preserving Histogram Equalization, BPHE）通过对原始直方图进行修正，使得均衡化后的图像亮度与原始图像亮度相近。

4.3 融合其他增强技术的直方图均衡方法

为了进一步提升低光图像增强效果，研究者们将直方图均衡技术与其他图像增强技术相结合。例如，将直方图均衡化与 Retinex 理论结合，先通过 Retinex 方法分离图像的光照分量和反射分量，对光照分量进行直方图均衡化以调整亮度，再与反射分量结合得到增强图像；或者将直方图均衡化与小波变换结合，在小波域对不同频率分量分别进行处理，结合直方图均衡化增强高频细节分量，提升图像的整体质量。

5. 性能评价指标

为了客观评价直方图均衡技术在低光图像增强中的效果，常用的性能评价指标包括：

5.1 主观评价指标

主观评价是通过人眼观察图像的视觉效果来评价增强结果，主要考虑图像的清晰度、细节丰富度、对比度、自然度以及噪声情况等。虽然主观评价带有一定的主观性，但它直接反映了图像对人眼的视觉感受，是一种重要的评价方式。

5.2 客观评价指标

• 信息熵（Entropy）：衡量图像所包含的信息量，信息熵越大，说明图像细节越丰富。

• 平均梯度（Average Gradient）：反映图像的清晰度和细节变化率，平均梯度越大，图像越清晰。

• 对比度（Contrast）：描述图像中明暗区域之间的差异，对比度越大，图像视觉效果越明显。

• 峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）：当存在原始清晰图像作为参考时，PSNR 用于衡量增强图像与原始图像的相似度，PSNR 值越大，说明增强图像失真越小。

• 结构相似性指数（Structural Similarity Index, SSIM）：同样用于有参考图像的情况，从亮度、对比度和结构三个方面衡量增强图像与原始图像的相似性，SSIM 值越接近 1，效果越好。

6. 应用场景

直方图均衡技术在低光图像增强中的应用十分广泛，主要包括：

6.1 监控安防

夜间监控摄像头拍摄的图像往往光照不足，通过直方图均衡技术增强后，能够更清晰地识别监控画面中的人物、车辆等目标，提高监控系统的可靠性。

6.2 自动驾驶

在夜间或隧道等低光环境下，自动驾驶汽车的视觉传感器获取的图像质量较差，影响了路况识别和决策系统的性能。采用直方图均衡技术增强图像后，有助于自动驾驶系统更好地检测车道线、交通标志、行人等。

6.3 医学成像

在医学影像中，如 X 射线图像、CT 图像等，部分区域可能由于曝光不足而呈现低光状态，直方图均衡技术能够增强这些区域的细节，帮助医生更准确地诊断病情。

6.4 遥感成像

遥感卫星在拍摄地球表面时，可能会受到云层、大气散射等影响，导致获取的图像出现低光区域。通过直方图均衡技术增强后，能够更好地提取遥感图像中的地物信息，为资源勘探、环境监测等提供支持。

7. 总结与展望

7.1 总结

直方图均衡技术作为一种经典的图像增强方法，在低光图像增强中发挥了重要作用。从最初的全局直方图均衡化，到局部直方图均衡化，再到限制对比度自适应直方图均衡化以及各种改进方法，该技术不断发展和完善，在提升低光图像对比度、增强细节方面取得了显著效果。

不同的直方图均衡方法各有优缺点：全局直方图均衡化计算简单但易出现过增强和噪声放大；局部直方图均衡化能保留局部细节但计算量大且易产生块效应；CLAHE 在抑制噪声和避免过饱和方面表现较好，但参数选择对效果影响较大；改进的方法在噪声抑制、亮度保持等方面进行了优化，但部分方法计算复杂度较高。

7.2 展望

未来，低光图像增强中的直方图均衡技术可以从以下几个方面进行深入研究：

• 高效实时的算法设计：随着实时应用需求的增加，需要研究计算量小、处理速度快的直方图均衡改进算法，满足监控、自动驾驶等领域的实时性要求。

• 自适应参数调整：目前许多直方图均衡方法的效果依赖于人工设置参数，未来可以研究基于图像内容的自适应参数调整策略，使算法能够根据不同低光图像的特点自动优化参数。

• 融合深度学习的方法：深度学习在图像增强领域取得了突破性进展，将直方图均衡技术与深度学习相结合，例如利用神经网络学习更优的直方图映射函数，或者将直方图特征作为神经网络的输入，有望进一步提升低光图像增强效果。

• 多模态低光图像增强：结合红外图像、可见光图像等多模态信息，利用直方图均衡技术对多模态低光图像进行融合增强，提高在极端低光环境下的图像质量。

⛳️ 运行结果

🔗 参考文献

[1] 叶松,赵文昌.基于直方图均衡化的图像增强技术分析与Matlab实现[J].数字技术与应用, 2012(1):2.DOI:CNKI:SUN:SZJT.0.2012-01-110.

[2] 叶松,赵文昌.基于直方图均衡化的图像曾强技术分析与Matlab实现[J].数字技术与应用, 2012.

[3] 许可,罗鹏飞,万建伟.基于Matlab的数字图像直方图均衡教学实验[J].电气电子教学学报, 2014, 36(1):3.DOI:CNKI:SUN:DQDZ.0.2014-01-034.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇