在图像处理中，由于获取的图像质量不好，需要通过对比度增强来提升图片质量，主要解决的是由于图像灰度级范围较小造成的对比度较低的问题，作用是使图像的灰度级范围放大，从而让图像更加清晰。主要对比度增强方法包括线性变换、直方图正规化、伽马变换、全局直方图均衡化、限制对比度的自适应直方图均衡化等。

判断图像对比度方法

A.最大亮度与最小亮度之比

        图像的对比度是指一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量，即一幅图像灰度反差的大小，即图像的最大亮度与最小亮度之比，对比度被定义为：

        其中I_max和I_min就是图像中的最大亮度与最小亮度。对比度越大，图像越清晰醒目，色彩也越鲜明艳丽；而对比度小，则会让整个画面都灰蒙蒙的。

B.判断低亮度像素在整个图像中所占的比例

对比度增强方法

1.线性变换

        线性方程公式是 y = a*x+b，对于图像亮度提升来说，此时的x，y都是二维矩阵，通过系数a来调整原始图像中的图像灰度级的范围（指的是图像转换为灰度图后的范围 [最小灰度值，最大灰度值] ）

• 当0<a<1时，图像灰度级方位缩小，当a>0时，图像灰度级范围扩大。

• 当b>0时，亮度增加，当b<0时，亮度减小。

2.直方图正规化

        对于线性变换，系数a, b需要自己摸索设定。而直方图正规化的系数固定，一般将原图的像素值范围映射到[0, 255]范围内。假设原图像像素值分布范围为[min, max], 则映射后的范围为[0, 255],对应的系数a = (255 - 0) / (max - min), 系数b = 0,计算公式如下：

3.全局直方图均衡

        直方图均衡化的目的是将原图片每个像素值的像素点个数进行重新分配到[0, 255]的256个像素值上，使得每个像素值对应的像素点个数近似相等，即重新分配后，0-255的每个像素值对应的像素点个数近似为(rows * cols / 256)

4.对比度受限的自适应直方图均衡

        全局直方图均衡方法中的直方图均衡是全局的, 对图像局部区域存在过亮或者过暗时, 效果不是很好;此外，全局的直方图均衡有可能会增加图像的背景噪声。相比全局直方图均衡，自适应直方图均衡化将图像划分为不重叠的小块，在每一小块进行直方图均衡化，利用局部信息来解决全局性问题。但若小块内有噪声，影响很大，需要通过限制对比度来进行抑制，解决了背景噪声增强问题。将这两种方法结合就是限制对比度自适应直方图均衡化-CLAHE。

CLAHE 算法流程主要有以下几个步骤:

1. 预处理, 如图像分块填充等;

1. 对每个分块处理, 计算映射关系, 计算映射关系时使用了对比度限制;

1. 使用插值方法得到最后的增强图像;

尝试视频场景下使用对比度受限的自适应直方图均衡-CLAHE提升视频对比度和清晰度，左边为原视频，右边为对比度增强后的视频，结果如下：