RGB图像应用CLAHE后阴影区域未改善，求图像质量优化方案

你当前的CLAHE处理未改善阴影区域，核心问题有两个：一是错误地将CLAHE应用到了LAB色彩空间的所有通道（仅需处理亮度L通道），二是OpenCV图像格式转换时的色彩空间映射错误，同时参数设置也未针对阴影优化。以下是具体改进方案：

一、修复基础CLAHE脚本 #

调整代码，仅对L通道应用CLAHE，并修正色彩空间转换错误：

import os
import cv2

# Input and output folder paths
input_folder = r'D:\imagery_shadow\clip_3b'
output_folder = r'D:\CLAHE\clahe'

# List all image files in the input folder
image_files = [f for f in os.listdir(input_folder) if f.startswith('shadow_image') and f.endswith('.tif')]

# Iterate over each image file
for image_file in image_files:
    # Construct full paths for input and output images
    original_image_path = os.path.join(input_folder, image_file)
    process_image_path = os.path.join(output_folder, image_file.replace('.tif', '_clahe_fix.tif'))
    
    # Read image (OpenCV默认读入为BGR格式)
    img_cv = cv2.imread(original_image_path, cv2.IMREAD_COLOR)
    # 转换为LAB色彩空间，注意用COLOR_BGR2LAB而非RGB2LAB
    lab_img = cv2.cvtColor(img_cv, cv2.COLOR_BGR2LAB)

    # Split the LAB image into L(亮度), A(红绿色差), B(黄蓝色差) channels
    l_channel, a_channel, b_channel = cv2.split(lab_img) 

    # 仅对L通道应用CLAHE，调整参数适配阴影
    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))
    enhanced_l = clahe.apply(l_channel)
    
    # 合并增强后的L通道与原始A、B通道
    updated_lab_img = cv2.merge((enhanced_l, a_channel, b_channel))

    # 转换回BGR格式并保存
    processed_img = cv2.cvtColor(updated_lab_img, cv2.COLOR_LAB2BGR)
    cv2.imwrite(process_image_path, processed_img)

说明：

• 原代码中COLOR_RGB2LAB错误，因为cv2.imread读入的是BGR格式，必须对应COLOR_BGR2LAB，否则会出现色彩偏移。
• 提升clipLimit到3.0增强对比度，放大tileGridSize到(8,8)让局部亮度调整更适配大面积阴影。

二、针对阴影区域的进阶优化方案 #

如果修复后的CLAHE仍无法满足需求，可尝试以下针对性方法：

1. 阴影区域自适应亮度增强 #

先检测阴影区域，再单独提升该区域的亮度，避免影响高光部分：

import numpy as np

def enhance_shadow_region(image, shadow_factor=1.8, brightness_threshold=0.25):
    # 转灰度图计算相对亮度
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    normalized_gray = gray / 255.0
    # 生成阴影掩码：亮度低于阈值的区域判定为阴影
    shadow_mask = normalized_gray < brightness_threshold

    # 转换到LAB空间，单独调整阴影区域的L通道
    lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
    l_channel, a_channel, b_channel = cv2.split(lab)

    # 对阴影区域的亮度进行倍数增强，限制值在0-255之间
    enhanced_l = np.where(shadow_mask, l_channel * shadow_factor, l_channel)
    enhanced_l = np.clip(enhanced_l, 0, 255).astype(np.uint8)

    # 合并通道并转回BGR格式
    enhanced_lab = cv2.merge((enhanced_l, a_channel, b_channel))
    return cv2.cvtColor(enhanced_lab, cv2.COLOR_LAB2BGR)

# 在循环中调用该函数替换原CLAHE处理
processed_img = enhance_shadow_region(img_cv, shadow_factor=2.0, brightness_threshold=0.3)

2. 多尺度Retinex算法 #

Retinex算法专门解决光照不均问题，能有效还原阴影细节同时保留高光：

def multi_scale_retinex(image, sigma_list=[15, 80, 250]):
    # 转换为浮点型避免计算溢出
    img_float = np.float64(image) + 1.0
    retinex = np.zeros_like(img_float)

    # 多尺度高斯模糊计算Retinex分量
    for sigma in sigma_list:
        retinex += np.log10(img_float) - np.log10(cv2.GaussianBlur(img_float, (0, 0), sigma))

    # 归一化到0-255范围
    retinex = retinex / len(sigma_list)
    retinex = (retinex - np.min(retinex)) / (np.max(retinex) - np.min(retinex)) * 255
    return np.uint8(retinex)

# 使用方法
processed_img = multi_scale_retinex(img_cv)

3. CLAHE与阴影均衡化融合 #

对阴影区域单独应用直方图均衡化，非阴影区域用CLAHE，兼顾全局与局部细节：

def clahe_shadow_fusion(image, clip_limit=2.5, tile_size=(8,8), shadow_threshold=0.3):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    normalized_gray = gray / 255.0
    shadow_mask = normalized_gray < shadow_threshold

    # 全局CLAHE处理
    lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
    l_channel, a_channel, b_channel = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile_size)
    l_clahe = clahe.apply(l_channel)

    # 阴影区域单独直方图均衡化
    l_shadow_eq = cv2.equalizeHist(l_channel)

    # 融合结果：阴影区域用均衡化，非阴影用CLAHE
    l_final = np.where(shadow_mask, l_shadow_eq, l_clahe)

    enhanced_lab = cv2.merge((l_final, a_channel, b_channel))
    return cv2.cvtColor(enhanced_lab, cv2.COLOR_LAB2BGR)

三、参数调整建议 #

• CLAHE的clipLimit：取值2-5，值越大阴影对比度越强，但可能导致高光过曝，需根据图像测试。
• tileGridSize：取值(8,8)-(32,32)，网格越大越适合大面积阴影，越小越适合细碎阴影。
• 阴影检测的brightness_threshold：取值0.2-0.4，需根据图像实际暗部亮度调整，确保准确识别阴影。

内容的提问来源于stack exchange，提问作者user30985