绪：
直方图均衡简单、高效；
但是，图像中不同的区域灰度分布相差甚远，对它们使用同一种变换常常产生不理想的效果；
实际应用中，常常需要增强图像的某些局部区域的细节。
为了解决这类问题，Pizer等提出了局部直方图均衡化的方法(AHE)；
AHE方法仅仅考虑了局部区域的像素，忽略了图像其他区域的像素，且对于图像中相似区域具有过度放大噪声的缺点；
K. Zuiderveld等人提出了对比度受限CLAHE的图像增强方法；
通过限制局部直方图的高度来限制局部对比度的增强幅度，从而限制噪声的放大及局部对比度的过增强；
也可以被用来对图像去雾操作；
CLAHE和AHE的区别在于前者对区域对比度进行了限制，且采用插值来加快计算；
1、CLAHE算法原理：
CLAHE与AHE不同的地方是对比度限幅，为了克服AHE的过度放大噪声的问题；
①设自适应直方图均衡化方法的滑动窗口大小为M*M，则局部映射函数为:
为滑动窗口局部直方图的累积分布函数(cumulative distribution function);
②的导数为直方图，从而局部映射函数的斜率S为:
故，限制直方图高度就等效于限制局部映射函数的斜率，进而限制对比度强度；
③设限定最大斜率为Smax，则允许的直方图高度最大为：
④对高度大于Hmax的直方图应截去多余的部分；
实际处理中，设截取阈值T(而非Hmax)对直方图进行截断，将截去的部分均匀的分布在整个灰阶范围上，以保证总的直方图面积不变，从而使整个直方图上升高度L，则有：
⑤最后改进的直方图为：
综上所述，改变最大的映射函数斜率Smax及相应的最大直方图高度Hmax，可获得不同增强效果的图像；
CLAHE通过限制局部直方图的高度来限制局部对比度的增强幅度，从而限制噪声的放大和局部对比度的过增强。
2、插值加速方法：
AHE方法，不管是否带有对比度限制，都需要对图像中的每个像素计算其领域及变换函数，算法耗时严重；
对其进行插值加速，使算法效率有极大提升，且质量没有下降；
①将图像均匀分成等份矩阵大小，常见8行8列64块；
②计算每个块的直方图，CDF，变换函数；
对于块的中心像素(黑色小方块)是完全符合定义的；
③对其他的像素通过其邻近的四个黑色小方块的变换函数插值来获取；
位于中间的像素(蓝色阴影)采用双线性插值；
位于边缘的部分(绿色阴影)采用线性插值；
位于角点处的部分(红色阴影)采用块所在的变换函数；
Mat src1 = imread("C:\\Users\\aa\\Desktop\\DSC00024.JPG", 1);
Mat bgr_image = src1;
if (!bgr_image.rows) {
cout << "imread failed!" << endl;
}
Mat lab_image;
cvtColor(bgr_image, lab_image, CV_BGR2Lab);
// 提取L通道
vector<Mat> lab_planes(3);
split(lab_image, lab_planes);
// CLAHE 算法
Ptr<CLAHE> clahe = createCLAHE();
clahe->setClipLimit(4);
Mat dst;
clahe->apply(lab_planes[0], dst);
dst.copyTo(lab_planes[0]);
merge(lab_planes, lab_image);
//恢复RGB图像
Mat image_clahe;
cvtColor(lab_image, image_clahe, CV_Lab2BGR);
cvtColor(image_clahe, image_clahe, CV_BGR2GRAY);
threshold(image_clahe, image_clahe, 170, 255, THRESH_BINARY);
