你可能跳过的预处理步骤（以及模型为何为此付出代价）
Source: Dev.to
请提供您希望翻译的正文内容，我将把它翻译成简体中文并保持原有的格式、Markdown 语法以及技术术语不变。
理解问题
- Grayscale image：一个二维网格的像素强度值，范围从 0（黑）到 255（白）。
- Color image：将三个这样的网格堆叠在一起（例如 BGR 或 RGB）。
当你的模型查看图像时，它看到的只是这些数字——仅此而已。
想象一下，你在光线昏暗的房间里拍摄一张照片。大多数像素值集中在 0 – 80 的范围内。模型需要的更亮的区域、纹理和细节全部被压缩在低强度值的狭窄带中。对人眼而言图像看起来很暗；对模型而言相关特征几乎不可区分，因为数值上它们几乎相同。
这 不是罕见的边缘案例。它经常发生：
- 医学扫描中，感兴趣区域与周围组织的对比度低。
- 生产线上的水果在仓库光照不一致的情况下拍摄。
- 黄昏时分行车记录仪捕捉的道路。
- 带有大气雾霾的卫星图像。
模型之所以表现不佳，并不是因为它本身弱，而是因为输入没有给它公平的机会。
经典方案：直方图均衡化
直方图均衡化将集中在狭窄范围内的像素值扩展到完整的 0 – 255 范围，从而提升对比度，使细微差别更加明显。
优点：在简单、均匀的图像上效果良好。
缺点：它对每个像素 使用单一的变换，忽略了局部上下文。
考虑一幅图像，一半非常明亮（过曝的天空），另一半非常暗淡（阴影中的主体）。明亮的像素主导了直方图，因此变换针对它们进行了优化。暗区——正是需要更多对比度的地方——几乎没有受益，而明亮区域可能会变得不自然地过亮。
更好的方法：CLAHE
CLAHE = Contrast Limited Adaptive Histogram Equalization
| Component | 功能说明 |
|---|---|
| Adaptive | 将图像划分为若干小矩形 tiles，并为每个 tile 计算独立的直方图。每个区域根据其局部像素分布进行单独的对比度校正。 |
| Contrast Limited | 在均衡化之前，将每个 tile 的直方图在设定阈值处进行裁剪。多余的计数会均匀重新分配，从而防止在低细节区域放大噪声。 |
| Bilinear Interpolation | 对每个 tile 处理完毕后，CLAHE 使用双线性插值平滑拼接 tile 边界，避免出现明显的网格图案。 |
结果是一幅 局部对比度显著提升、噪声受控、且 没有硬边界 的图像。
实际案例
在构建 香蕉成熟度分类器 时，训练图像来源于多个场景：明亮的日光、黄色的厨房灯光以及昏暗的储存区。像素分布差异极大。
- 未进行预处理：模型在光照良好的图像上表现良好，但在较暗的图像上表现不佳，基本上是记住了光照条件。
- 使用 CLAHE：所有图像的局部对比度被统一归一化，使得视觉特征（纹理、颜色模式）在不同光照下保持一致。模型能够专注于成熟度特征，而不是亮度伪影，从而提升指标并在实际环境中更具鲁棒性。
你可以在这里查看完整项目：BananaClock on GitHub
Source: …
使用 CLAHE 在 OpenCV 中
OpenCV 让这一步变得非常简单。下面是一个最小示例，演示如何在 LAB 颜色空间中对图像的 L 通道应用 CLAHE（保持颜色信息不变）。
import cv2
import numpy as np
# Load image
image = cv2.imread("your_image.jpg")
# Convert to LAB color space
lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
# Split the LAB image into its channels
l_channel, a_channel, b_channel = cv2.split(lab)
# Create a CLAHE object (clipLimit=2.0, tileGridSize=(8, 8) are common defaults)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# Apply CLAHE to the L channel only
l_clahe = clahe.apply(l_channel)
# Merge the CLAHE‑enhanced L channel back with the original A and B channels
lab_clahe = cv2.merge((l_clahe, a_channel, b_channel))
# Convert back to BGR color space
final_image = cv2.cvtColor(lab_clahe, cv2.COLOR_LAB2BGR)
# Save or display the result
cv2.imwrite("your_image_clahe.jpg", final_image)
# cv2.imshow("CLAHE Result", final_image)
# cv2.waitKey(0)
# cv2.destroyAllWindows()提示
- 调整
clipLimit以控制噪声抑制的力度（数值越低，噪声放大越少）。 - 更改
tileGridSize可以修改局部区域的大小（网格越小，局部对比度越强）。 - 对于灰度图像，可以直接在单通道上应用 CLAHE，而无需转换为 LAB。
关于使用 CLAHE 的关键要点
-
在 LAB 空间工作，而非 BGR
- 将 CLAHE 应用于 LAB 的 L 通道，而不是直接在 BGR 上操作。
- LAB 将亮度 (L) 与颜色 (A, B) 分离，能够保持真实的颜色。
-
clipLimit参数- 控制直方图裁剪的力度。
- 常用范围：2.0 – 4.0；默认值 2.0 已经表现良好。
-
tileGridSize参数- 决定图像被划分为多少个小块。
- 对于中等分辨率的图像，8×8 网格是一个不错的默认值；对极高或极低分辨率的输入可相应调整。
当 CLAHE 有用时
- 训练数据中光照不一致。
- 在不可控环境中部署（移动、户外、工业）。
- 低对比度领域：医学成像、卫星影像等。
- 低光环境下需要恢复阴影细节的工作。
当 CLAHE 用处不大时
- 图像已经曝光良好且一致。
- 添加 CLAHE 会增加处理开销，却没有实质性好处。
- 极高的
clipLimit可能在本来平滑的区域产生人为纹理。
为什么预处理很重要
人们往往把预处理当作“无聊”的环节，更多关注模型架构、训练循环和损失函数。这种思维方式可能代价高昂：
- 模型只能学习它所接收到的内容。
- 噪声大、前后不一致或表示不佳的输入，无法通过复杂的架构来弥补。
- 预处理（如尺寸调整、归一化、对比度增强）是关键步骤，直接影响模型性能。
CLAHE 只是一个更广泛原则的例子：输入数据的质量对输出质量有直接且常被低估的影响。了解图像的数值特性——分布、对比度、动态范围——是构建稳健计算机视觉系统的一部分。
最优秀的计算机视觉工程师会考虑完整的流水线：
- 采集 – 图像是如何获取的。
- 预处理 – 尺寸调整、归一化、对比度增强（例如 CLAHE）。
- 建模 – 架构、训练循环、损失函数。
- 后处理 – 解释、可视化、部署。
一个小而恰当的步骤，如 CLAHE，能够让整个系统更高效地工作。
如果你觉得这篇文章有帮助，或对在自己的流水线中使用 CLAHE 有疑问，欢迎在下方留言。我随时乐意聊聊计算机视觉！