前言

「眼前的黑不是黑，你说的白是什麽白」-- 你是我的眼(萧煌奇)
没错，并非所有图片都是在理想的环境下拍摄的，
光线不足(太黑)或是过曝(太白)问题都会让图片中的讯息丢失，
造成人们看不清楚照片中的物品。
好在我们可以统计各个像素值的数量，得知这张图片灰度的分布。
然後使用数学来解决它！

• 什麽是灰度直方图(Histogram)：
  X轴为像素值(0 ~ 255)，Y轴为该值的数量。

• 灰度直方图的特性：
  若图片全黑(像素为0)，则直方会集中在图的左侧，代表图片太暗了。

• 观察照片(angry)：
  因为下图(MDFK)较上图暗，所以直方图的bin偏向左边。
  

• 观察照片(neutral)：
  因为上图(女人)各个灰度值发生较平均，所以直方图的bin呈现平均分散的状态，
  而下图(婴儿)黑白分明，少有中间灰色，所以直方图的bin集中在两侧，中间只有零星几个bin。
  

1. 原始图片

我们挑选一张可爱的婴儿表情图片进行解说，
由於原图片太小，我将它放大至(600,600)。

idx = 12
gray_img = X_train[idx][:, :, 0].astype("uint8")
gray_img = cv2.resize(gray_img, (600, 600))
plt.figure(figsize=(5, 5))
plt.imshow(gray_img, cmap='gray')

之所以挑选这张照片，
是因为它黑白分明，有利於说明。

2. 直方图均衡化(Histogram Equalization)

在opencv中，有提供equalizeHist函数，将图片进行均衡化(Equalization)。
均衡化：透过拉伸的像素值(对比度拉伸)，使得像素分布较均匀，提高对比度。
原理：透过调整累积分布函数(CDF)，把像素值高的区域分散给周围区域，使CDF呈现斜直线。

equalized_img = cv2.equalizeHist(gray_img)
cv2.imshow("equal_image", equalized_img)

来看看调整後的图片：

好像有点恐怖...

这时，我们就可以透过灰度直方图的比较来看看发生什麽事：

看起来是因为原本超级白的脸蛋在边缘位置上被黑色污染了，
如果这张图是彩色的，那我可以合理推测婴儿是掉进泥巴坑了。
不~~~~~~~把我可爱的宝宝还来！

3. 自适应直方图均衡化(Adaptive Histogram Equalization)

有没有更好的均衡化方法呢？有的！
那就是自适应直方图均衡化，
它的改良处在於将图片分成多个区域(如8x8)，
每个区域各自做直方图均衡化，所以AHE比HE更适合增强局部对比度。

但直方图均衡化的缺点「放大暗处的杂讯」在AHE中并没有获得改善。
好在有人提出限制对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization)，
限制对比度的核心概念是控制CDF斜率，将突然长太高(超过某阈值)的bin砍掉头，拿去补低的像素值。

clahe = cv2.createCLAHE(clipLimit=2)
clahe_img = clahe.apply(gray_img)
cv2.imshow("clahe_img", clahe_img)

经由CLAHE处理过後图片的对比增加了，
连婴儿的眼睛鼻子嘴巴都看得非常清楚呢！

再来比较CLAHE处理前後的直方图，
灰度分布比只用HE还要更均匀了。

结语

这篇讲到影像处理中常用的图像增强技巧，

1. 用数值方法将图片的size变大(实际上就是cv2.resize，要用GAN也可以)
2. 增加图片对比度(CLAHE)

目的是让大家认识这个技巧，
我没有深入到讲解演算法的部分，
如果有兴趣知道背後数学的话，
网路上有许多资源可以学习。