在這一篇里面介紹一下CLAHE算法的第二步對比度限制。

這個過程很簡單，分為下面幾個步驟。

計算出來限制的閾值

將統計好的直方圖數據限制在0到閾值范圍內。也就是將大于閾值的直方圖數據減去閾值，并將差值累計起來。

將累計的差值平均分給每個灰度。

來看一下參考的Python代碼：

def cl_hist(img, clip):
    h, w = img.shape
    n = np.zeros(256, np.uint32)
    for i in range(h):
        for j in range(w):
            n[img[i][j]] = n[img[i][j]] + 1


    t = 0
    for i in range(256):
        if n[i] > clip:
            t += n[i] - clip
            n[i] = clip
    t = t / 256
    n = n + t
    pk = n
    sk = np.zeros(256, np.float32)
    sk[0] = pk[0]
    for i in range(1, 256):
        sk[i] = sk[i - 1] + pk[i]
    sk = sk / (h * w)
    sk = sk * 255
    sk = np.around(sk)
    return sk

這個和之前的直方圖統計就多了中間的步驟，也就是下面這一段代碼：

    t = 0
    for i in range(256):
        if n[i] > clip:
            t += n[i] - clip
            n[i] = clip
    t = t / 256
    n = n + t

就是遍歷256個灰度的統計值，將大于閾值的灰度統計值就設置為閾值，并將兩者的差值進行累加。最后將總的差值除以256，將最后的結果累加到每一個灰度的統計值上面。

來看一下最后的效果：

可以看到相對于沒有進行限制對比度的效果要好很多。

下面這幅圖是沒有限制對比度閾值的結果：

那么這個閾值要怎么計算呢：

一般來說我們采取這樣的方法來計算閾值，也就是通過圖像的大小，分塊的多少，和clip_limit 的值來計算出來。一般圖像大小，和分塊多少是不變的，也就是說可以通過clip_limit的值來調整效果。

h, w = img.shape
block = 8
clip_limit = 2
clip = clip_limit * (h * w / (block * block) / 256)
clip = round(clip)

最后來看一下Verilog的實現，可以通過下面的代碼來實現對比度限制的功能。

審核編輯：劉清