视觉分析：可以观察到，所测试的这两种技术产生了不同的输出结果。直方图均衡化会使图像的强度发生变化。其结果是，一些高强度的细节（如云彩、某些边界等）会从图像中消失，而其他强度较低的区域则变得更易于分辨。由于对比度受限的自适应直方图均衡化（CLAHE）是一种自适应方法，生成的图像显示原始图像中的暗区变得更暗，亮区变得更亮。图像似乎包含了更多细节。在边缘处会产生光晕伪影，并且噪声会随着分块大小以及所应用的裁剪限制值的增大而增加。看起来噪声与裁剪限制值大小成正比（裁剪限制值越大，图像中的噪声就越多）。通过观察边缘检测后的图像，可以发现直方图均衡化图像的索贝尔图像与原始图像非常相似，而在对比度受限的自适应直方图均衡化（CLAHE）图像中，噪声会被检测为边缘。原始图像和处理后图像之间的差异在二值化后会更加明显。直方图均衡化后的图像丢失了大量信息。然而，由于图像变亮了，现在有可能分辨并识别出源图像上不可见的特征。对比度受限的自适应直方图均衡化（CLAHE）方法产生的光晕伪影在二值化图像上清晰可见。闭运算图像会因所使用的对比度技术不同而受到不同影响。直方图均衡化图像在所有区域都变亮的情况下，信息丢失严重。当裁剪限制值和分块大小更大时，对比度受限的自适应直方图均衡化（CLAHE）图像会呈现出更多细节（见图 14）。
图14特征匹配测试得出了与锐化类似的结果
图 15 表明，对比度在大多数情况下对不同的特征检测器都有负面影响。只有使用尺度不变特征变换（SIFT）时的第 10 帧图像在调整对比度后内点占比更高。我们从该图中能得出的另一个结论是，在对比度调整后，加速鲁棒特征（AKAZE）测试中的部分内点占比与原始内点占比相等（取决于对比度算法的参数，其影响可能是负面的，也可能没有影响）。这些针对少量帧的初步结果表明，对比度增强对计算机视觉的影响并不像对人类视觉那样是积极的。必须在拥有目前尚不可得的原始标注数据的更大数据集上重复进行实验。在测试未处理的原始图像和处理后图像之间的特征匹配时，大多数情况下内点占比都会下降。图 15 展示了所获得的结果。
定量分析：表 2 以及图 16 中的受试者工作特征（ROC）曲线表明，对比度调整确实会对关键性能指标（KPI）值产生实际影响。这种影响对计算机视觉（CV）性能而言可能是正向的，也可能是负向的。使用 3 组参数进行的对比度受限的自适应直方图均衡化（CLAHE）测试得出了更高的真阳性百分比：对比度受限的自适应直方图均衡化（CLAHE）2_8 的为 +6.63%，对比度受限的自适应直方图均衡化（CLAHE）2_16 的为 +10.01%，对比度受限的自适应直方图均衡化（CLAHE）10_16 的为 +1.8%。关于每帧误报数（FP），可以观察到对比度受限的自适应直方图均衡化（CLAHE）2_8 和对比度受限的自适应直方图均衡化（CLAHE）2_16 与原始测试非常相似，而对比度受限的自适应直方图均衡化（CLAHE）10_16 的情况要好得多（每帧误报数越低越好）。
图 15. 取决于帧数以及所使用的对比度方法（使用尺度不变特征变换（SIFT）、加速稳健特征（SURF）、定向 FAST 和旋转 BRIEF（ORB）以及加速鲁棒特征（AKAZE））的内点百分比
表 2. 使用对比度受限的自适应直方图均衡化（CLAHE）滤波器进行对比度增强后行人检测（PD）算法给出的关键性能指标（KPI）百分比（CLAHE 2_8：裁剪限制值 = 2 且分块大小 = 8×8 的对比度受限的自适应直方图均衡化（CLAHE））。TP = 真阳性，FP = 误报数。
图16. ROC曲线显示TP率与。每帧的6个配置测试和测试原始图像
来源：智驾社
