在数字图像处理中，**灰度变化（Gray-level Transformation）**是图像增强的重要方法之一，主要通过改变像素灰度值来改善图像视觉效果或突出目标信息。

对于灰度图像：

• 输入灰度：®
• 输出灰度：(s)

灰度变化就是建立一个映射关系：

[
s=T®
]

常见的灰度变化主要有以下几类：

---

1. 线性灰度变换（Linear Transformation）

最基本的灰度增强方法。

公式：

[
s=a r+b
]

其中：

• (a)：控制对比度
• (b)：控制亮度

（1）增加亮度

[
s=r+b
]

例如：

原图：

50 80 120

增加亮度：

100 130 170

效果：

• 图像整体变亮
• 暗区域增强

---

（2）降低亮度

[
s=r-b
]

效果：

• 图像变暗

---

（3）增加对比度

[
a>1
]

例如：

输入：

80 100 120

变换：

40 100 160

特点：

• 黑的更黑
• 白的更白

---

2. 灰度拉伸（Contrast Stretching）

也叫对比度扩展。

目的：

把原来集中在某个范围的灰度扩展到：

[
0\sim255
]

例如：

原图：

80 ~ 160

拉伸：

0 ~ 255

效果：

• 增强弱对比图像
• 常用于医学图像、工业检测

OpenCV：

cv2.normalize()

---

3. 灰度窗口变换（Gray Level Slicing）

只增强某一灰度范围。

例如：

目标：

突出灰度：

100~150

变换：

100~150 → 255

其他 → 0

效果：

类似：

• 二值分割
• 特征突出

应用：

• X光
• CT
• 工业缺陷检测

---

4. 阈值变换（Thresholding）

最常用的二值化。

公式：

[
s=
\begin{cases}
255,&r>T
0,&r\le T
\end{cases}
]

例如：

阈值：

T=120

输入：

50 100 180 220

输出：

0 0 255 255

OpenCV：

cv2.threshold()

用途：

• 目标分割
• 轮廓提取
• 机器视觉

---

5. 对数变换（Log Transformation）

公式：

[
s=c\log(1+r)
]

特点：

扩大低灰度区域：

暗处细节增加

压缩高灰度：

亮区变化减少

适合：

• 夜间图像
• 遥感图像

例如：

原图：

暗背景 + 微弱亮点

增强：

亮点更加明显

OpenCV：

import numpy as np

result = c*np.log(1+gray)

---

6. 指数变换（Power/Gamma变换）

也叫：

伽马变换 Gamma Correction

公式：

[
s=c r^\gamma
]

其中：

γ控制变化。

---

γ < 1

增强暗区域：

例如：

夜景增强

效果：

黑色 → 灰色

---

γ > 1

压暗图像：

效果：

突出亮区域

OpenCV：

gamma=0.5

table=np.array(
[
((i/255)**gamma)*255
for i in range(256)
]
)

result=cv2.LUT(gray,table)

---

7. 直方图均衡化（Histogram Equalization）

不是直接改变亮度，而是重新分配灰度。

目标：

让灰度分布更加均匀。

原图：

灰度集中：
100~150

均衡化：

0~255均匀分布

效果：

• 增强整体对比度

OpenCV：

cv2.equalizeHist()

---

8. CLAHE限制对比度自适应均衡化

普通直方图均衡：

容易放大噪声。

CLAHE：

分块处理 + 限制增强。

OpenCV：

clahe=cv2.createCLAHE(
clipLimit=2.0,
tileGridSize=(8,8)
)

result=clahe.apply(gray)

应用：

• 医学影像
• 工业检测
• 夜视

---

9. 灰度反转（Negative Transformation）

公式：

[
s=255-r
]

例如：

输入：

0 50 255

输出：

255 205 0

效果：

黑白反转。

应用：

• 胶片
• 显微图像

---

总结表

方法	公式	作用
线性变换	s=ar+b	亮度、对比度调整
灰度拉伸	扩展范围	增强对比
窗口变换	指定范围增强	突出目标
阈值变换	二值化	目标分割
对数变换	log(1+r)	增强暗部
指数/Gamma	r^γ	亮暗调整
直方图均衡	CDF映射	整体增强
CLAHE	局部均衡	增强细节
灰度反转	255-r	黑白转换

---

如果你做摄像头实时机器视觉，最常用流程通常是：

摄像头
 ↓
灰度化
 ↓
Gamma增强
 ↓
CLAHE增强
 ↓
高斯滤波
 ↓
二值化
 ↓
形态学处理
 ↓
轮廓识别

这套流程适合做物体检测、缺陷检测和机器人视觉。