图像对比度增强本质是调整像素值分布范围，通过线性拉伸、直方图均衡化、伽马变换等数组运算实现；需理解图像为NumPy数组结构，注意类型转换、除零保护及归一化处理。
图像对比度增强本质是调整像素值的分布范围——让暗部更暗、亮部更亮，拉开整体灰度跨度。用数组操作实现，核心就是把图像看作一个二维（或三维）数值矩阵，直接对每个像素点做数学变换。
理解像素数组结构是前提：读入图像后，它会被转为 NumPy 数组。灰度图是二维数组（H×W），每个元素取值 0–255；彩色图是三维数组（H×W×3），最后一维对应 R/G/B 通道。所有增强操作都基于这个数值结构展开，不涉及图形界面或像素坐标绘图，纯数据流处理。
线性对比度拉伸：最直观的数组操作
适用于整体偏暗、偏灰、动态范围压缩的图像。原理是把原图最小灰度值映射到 0，最大值映射到 255，中间按比例线性扩展。
- 代码关键逻辑：
output = (input - min_val) * 255 / (max_val - min_val) - 必须做类型转换：
.astype(np.uint8)，否则显示异常或报错 - 注意除零保护：若
max_val == min_val（全同色图），需单独设为常量值，避免崩溃
直方图均衡化：重分布像素频次
不是简单拉伸，而是让各灰度级出现概率尽量均匀。适合细节被“挤”在窄区间内的图像（如雾天照片、X光片）。
- 底层仍是数组运算：先统计 0–255 各灰度出现次数 → 算累积分布函数（CDF）→ 用 CDF 值查表映射新像素
- OpenCV 一行调用：
cv2.equalizeHist(gray_array)，内部全自动完成数组遍历与映射 - PIL/NumPy 手写版需显式构建查找表（LUT），本质是
np.array([0,0,...,255])经 CDF 变换后的新索引数组
伽马变换：非线性调节亮暗权重
当线性拉伸导致高光过曝或阴影死黑时，伽马（γ）提供柔性的幂律控制：
- γ
- γ > 1：压暗阴影，提亮高光（适合过曝图像）
- 公式：
output = 255 * (input / 255) ** gamma，输入需归一化，输出再缩放回 0–255 - 全程在 float64 数组中计算，最后转
uint8，避免整数截断失真
实战中检查像素分布必不可少
增强前不看直方图，等于蒙眼调参。三步快速诊断：
- 用
np.min(img), np.max(img), np.mean(img)快速定位数值区间 - 用
plt.hist(img.ravel(), bins=256, range=(0,256))绘直方图，观察是否集中、双峰、截断 - 对比增强前后数组的
np.std(img)：标准差明显增大，说明对比度提升有效
