图像处理入门026 | 分段线性变换：灰度窗与阶梯变换——CT 窗宽窗位的数学本质

第 026 期 | 图像处理算法入门系列 | 2026-09-04

关键词：分段线性变换、灰度窗、窗宽窗位、阶梯变换、密度分层、LUT、CT 影像、中间调拉伸

承接 025 期 → 026 期 ：024 期是一条直线（g = α·f + β），025 期把直线弯成曲线（伽马/Log）；今晚把控制权彻底交给你------直线折成几段，每段斜率自己定。医学影像 CT 的"窗宽窗位"正是这套数学的巅峰应用：同一张 CT，医生切换一下窗口，就能分别看肺、看骨、看软组织。

一、引言：曲线也有管不到的地方

025 期结尾我们验证了一个结论：暗图的"第一步粗调"优先用伽马。但伽马有一个先天盲区------它只有一个参数 γ，无法指定"拉伸哪一段、压缩哪一段"。

用一个实验说话（第六节详述）：一张内容集中在 90~165 灰度区间的"中间调挤压"图（mean=128，std=18），我们分别用三种方法增强：

text 复制代码

实测对比（std = 标准差，越大对比越强）：
  原图：                mean=128  std=18
  自动伽马：            mean=127  std=18   ← 自动算出 γ = 1.011，等于什么都没做！
  min-max 线性拉伸：    mean=99   std=41   ← 有一点效果，但被极值"绑架"
  三段线性（90,30/165,235）：
                        mean=135  std=49   ← 中间调被猛拉，两端直接冻结

自动伽马失效的原因很直白：它的目标是"把均值调到 128"，而这张图均值本来就是 128------伽马是亮度工具，不是对比度工具。min-max 拉伸能干活，但它只能"整体拉"，一个亮斑离群点就能把拉伸倍数压垮。

想要"只拉 90~165 这一段，其余冻结"？只有折线做得到。

二、核心原理：三段线性、灰度窗与阶梯

2.1 三段线性变换

设两个断点 (x₁, y₁) 和 (x₂, y₂)，两端锚定 (0, 0) 和 (255, 255)：

text 复制代码

三段线性：
  f ≤ x₁:        g = (y₁ / x₁) · f                          ← 段1：斜率小，压缩暗部
  x₁ < f ≤ x₂:   g = y₁ + (f − x₁) · (y₂ − y₁)/(x₂ − x₁)    ← 段2：斜率大，拉伸中间调
  f > x₂:        g = y₂ + (f − x₂) · (255 − y₂)/(255 − x₂)  ← 段3：斜率小，压缩高光

段	斜率	作用	直觉
段 1（0 → x₁）	< 1	暗部压缩	反正看不清，挤一挤
段 2（x₁ → x₂）	> 1	中间调拉伸	主体内容在这里，拉开
段 3（x₂ → 255）	< 1	高光压缩	已经够亮，不用动

text 复制代码

和 024 期直线的关系：
  直线 = 三段线性的退化形式（所有断点落在同一条直线上）
  折线 = 直线的推广（每个断点都是自由度）
  断点数越多 → 曲线越自由 → 但交互/调参也越复杂（PS 曲线工具就是 N 断点折线）

2.2 灰度窗：窗宽窗位（CT 的核心显示技术）

灰度窗是三段线性的一个极端特例------段 1 和段 3 的斜率直接压到 0：

text 复制代码

灰度窗（窗宽 W，窗位 L）：
  f < L − W/2:            g = 0        （窗下 → 全黑）
  L − W/2 ≤ f ≤ L + W/2:  g = 255 · (f − (L − W/2)) / W   （窗内 → 线性拉满）
  f > L + W/2:            g = 255      （窗上 → 全白）

参数	别名	控制	直觉
窗宽 W	Window Width	窗内对比度	W 越小，窗内拉伸越猛，但覆盖的灰度范围越窄
窗位 L	Window Level	观察哪一段	L 平移窗口中心，对准感兴趣的灰度段

text 复制代码

CT 的物理背景（帮助理解，不影响代码）：
  CT 值用 Hounsfield 单位（HU）：水 = 0，空气 = −1000，骨 ≈ +1000，
  动态范围横跨 2000 HU，而显示器只有 256 级灰度。
  所以 CT 必须"开窗"：一次只显示 2000 HU 中的一小段，其余全部黑/白饱和。
  医生调窗宽窗位，就是在调今晚这两个公式参数。

2.3 阶梯变换：密度分层

把连续灰度量化成 n 级台阶，是分段线性"斜率取 0 或 ∞"的极限玩法：

text 复制代码

阶梯变换（n 级）：
  g = floor( f · n / 256 ) · 255 / (n − 1)

  n = 2   →  二值化（020 期的老朋友）
  n = 4~16 →  海报化效果（美术/设计）
  灰度级映射到颜色 → 伪彩色/密度分层（101 期彩色处理的铺垫）

图 1：一张图看懂分段线性。左图为三段折线与 4 级阶梯的映射曲线------段 2 斜率 > 3，中间调被猛拉；右图为同一渐变条的实际效果，灰度窗窗内对比显著增强、窗外直接黑/白。

三、代码实践

3.1 核心函数：一切点运算都是 256 项 LUT

分段线性、灰度窗、阶梯变换，全部可以预计算成 256 项查找表（027 期专题预告）：

python 复制代码

import cv2
import numpy as np

def lut_piecewise(x1, y1, x2, y2):
    """
    三段线性 LUT：断点 (x1, y1)、(x2, y2)，两端锚定 (0,0)、(255,255)。
    返回 (lut_uint8, ys_float)------ys 用于绘制映射曲线。
    """
    xs = np.arange(256, dtype=np.float32)
    ys = np.empty(256, dtype=np.float32)

    s1 = y1 / max(x1, 1e-6)                       # 段1斜率：暗部压缩
    m1 = xs <= x1
    ys[m1] = xs[m1] * s1

    s2 = (y2 - y1) / max(x2 - x1, 1e-6)           # 段2斜率：中间调拉伸
    m2 = (xs > x1) & (xs <= x2)
    ys[m2] = y1 + (xs[m2] - x1) * s2

    s3 = (255.0 - y2) / max(255.0 - x2, 1e-6)     # 段3斜率：高光压缩
    m3 = xs > x2
    ys[m3] = y2 + (xs[m3] - x2) * s3

    return np.clip(np.round(ys), 0, 255).astype(np.uint8), ys

def lut_window(width, level):
    """灰度窗 LUT（窗宽 W、窗位 L）。"""
    lo = level - width / 2.0
    xs = np.arange(256, dtype=np.float32)
    vals = (xs - lo) * (255.0 / max(float(width), 1e-6))
    return np.clip(np.round(vals), 0, 255).astype(np.uint8)

def lut_staircase(n):
    """阶梯变换 LUT：把 [0,255] 量化成 n 级台阶。"""
    xs = np.arange(256, dtype=np.float32)
    ys = np.floor(xs * n / 256.0) * (255.0 / (n - 1))
    return np.clip(np.round(ys), 0, 255).astype(np.uint8)

text 复制代码

关键细节：
  1. 斜率分母要 max(·, 1e-6) 防除零（比如 x1=0、x2=255 的退化情况）。
  2. 整个函数没有任何像素级运算------只在 256 项上预计算，
     像素处理交给 cv2.LUT 一次查表完成（实测比 NumPy 逐像素快 32 倍，见第七节）。
  3. lut_window 用 float 中间量计算再 clip，不存在 uint8 回绕问题。

应用只需一行：

python 复制代码

out = cv2.LUT(img, lut_window(width=110, level=115))   # CT 软组织窗

3.2 测试图：合成"CT 断层"

真实 DICOM 数据不方便获取，我们合成一张类比图------灰度模拟组织密度：空气(≈8) → 肺(≈45) → 软组织(≈110) → 肝(≈135) → 骨(≈225)：

python 复制代码

def make_ct_phantom(size=(420, 560), seed=3):
    h, w = size
    rng = np.random.default_rng(seed)
    yy, xx = np.mgrid[0:h, 0:w].astype(np.float32)
    ny, nx = yy / h, xx / w

    img = np.full(size, 8.0, dtype=np.float32)          # 背景 = 空气
    body = ((nx - 0.50)/0.42)**2 + ((ny - 0.52)/0.44)**2 < 1
    img[body] = 110.0                                    # 身体 = 软组织
    for cx in (0.33, 0.67):                              # 双肺
        lung = ((nx - cx)/0.13)**2 + ((ny - 0.42)/0.22)**2 < 1
        img[lung] = 45.0
    # ......肝 135 / 脊椎 230 / 肋骨环 225，加噪声与高斯模糊（完整代码见文末脚本）

图 2：断点网格实验。原图 std=18（中间调挤压在 90~165），6 组断点组合拉伸后 std 提升到 24~51------断点收得越窄、段 2 斜率越大，对比越猛，但离群像素越容易被"牺牲"到 0/255。

四、灰度窗深入：一次调窗 = 一次重新显示

4.1 四大窗口：同一张 CT 的四种看法

图 3：合成 CT 上的四种窗口。全范围对照（std=67）所有组织混在一起；软组织窗（W=110, L=115，std=86）肝与肌肉层次清晰、骨已饱和发白；肺窗（W=170, L=60）肺叶与背景层次拉开；骨窗（W=90, L=200）只剩肋骨环与脊椎，软组织全部归黑。

实测数据：

text 复制代码

  全范围对照（W=255, L=128）：  mean=77   std=67  ← 什么都能看到，什么都看不清
  软组织窗（W=110, L=115）：    mean=74   std=86  ← 窗内对比 +29%，细节最清楚
  肺窗（W=170, L=60）：        mean=141  std=79  ← 窗口对准肺的灰度段
  骨窗（W=90, L=200）：        mean=20   std=59  ← 只有骨在窗内，其余全黑

4.2 W 与 L 的独立影响：两个旋钮各管各的

图 4：上排固定 L=128 变 W------窗宽是"对比度旋钮"，W 越小窗内越猛（std 随 W 单调变化）；下排固定 W=110 变 L------窗位是"平移旋钮"，决定观察哪一段灰度，图像整体亮度随之变化。

text 复制代码

一句话记住：
  窗宽 W = 拉伸倍数的分母（255/W）------管"看多清楚"
  窗位 L = 窗口中心的位置------管"看哪里"
  临床调窗顺序：先转 L 对准目标组织，再收 W 增强对比。

五、三方案对比：为什么只有折线能"只拉中间调"

图 5：中间调挤压图（std=18）上三方案对决。自动伽马算出 γ=1.011 近似恒等（均值已达标，无活可干）；min-max 拉伸 std=41 但被极值绑架；分段线性 std=49 且直方图两端被钉死在 0/255。

text 复制代码

选型口诀：
  · 亮度不对（整体偏暗/过曝）      → 伽马校正（025 期）
  · 对比度整体不足、内容满幅分布   → min-max / 百分位拉伸
  · 内容挤在某一段、两端是废话     → 分段线性 / 灰度窗（本期）
  · 要的是全局对比度重新分配       → HE / CLAHE（022/023 期）

分段线性直方图的独有特征：中间部分被拉开，两端出现 0 和 255 上的"冲天柱"（被冻结的像素堆在那里）------这是伽马和 HE 都不会产生的形状。

六、阶梯变换与密度分层

图 6：合成 CT 在 2/4/8/16 级阶梯量化下的效果。2 级即二值化（020 期），级数越少色块感越强------设计领域的"海报化"滤镜正是这个数学。

text 复制代码

阶梯变换的三张面孔：
  图像增强视角：密度分层------把淹没在连续灰度里的密度差异显式分开
  美术设计视角：海报化（Posterize）------PS 的"色调分离"就是逐通道阶梯变换
  压缩视角：颜色量化（099 期预告）------中位切割/八叉树是它的"智能选台阶"版本

七、性能基准：折线再复杂，查表只要 0.24 ms

图 7：480×640 灰度图三方案性能（对数坐标）。LUT=0.236ms，比 NumPy 逐像素插值（7.55ms）快 32 倍，比 Python 双层循环（70.9ms）快约 300 倍；三方案输出逐像素一致（max|Δ|=0）。

text 复制代码

本期最重要的性能结论：
  无论映射是直线（024）、曲线（025）还是折线/阶梯（026），
  只要它是"每个输入灰度对应唯一输出"的点运算，
  就一定能写成 256 项 LUT------cv2.LUT 一律 0.2~0.3ms。
  这也是为什么医学影像设备能实时调窗：调窗 = 换一张 256 项表。

八、参数网格：等效双滑杆预览

图 8：窗宽 × 窗位 3×3 网格。横向看 W：越往左窗内越猛；纵向看 L：越往下观察的灰度段越亮。本地可跑 Trackbar 交互版，双滑杆实时调窗（代码见文末）。

Trackbar 交互版（本地运行，按 q 退出）：

python 复制代码

import cv2
import numpy as np

img = cv2.imread('ct.png', 0)   # 换成你的图
cv2.namedWindow('windowing')

def on_change(_):
    w = cv2.getTrackbarPos('W', 'windowing') or 1
    l = cv2.getTrackbarPos('L', 'windowing')
    lo = l - w / 2.0
    xs = np.arange(256, dtype=np.float32)
    lut = np.clip(np.round((xs - lo) * (255.0 / w)), 0, 255).astype(np.uint8)
    cv2.imshow('windowing', cv2.LUT(img, lut))

cv2.createTrackbar('W', 'windowing', 110, 255, on_change)
cv2.createTrackbar('L', 'windowing', 115, 255, on_change)
on_change(0)
while cv2.waitKey(30) != ord('q'):
    pass

九、可视化实验总览

本次共 8 个实验，对应 8 张可视化图：

#	实验	图文件	验证目标
1	折线/阶梯原理 + 渐变条	`026_curves_principle.png`	一张图看懂折线形状
2	断点网格	`026_piecewise_grid.png`	断点收窄 → 对比增强
3	灰度窗四大窗口	`026_window_basics.png`	同图四看法
4	W/L 独立影响	`026_window_wl_effect.png`	W 管对比、L 管位置
5	阶梯变换	`026_staircase.png`	密度分层/海报化
6	三方案对比	`026_compare_three.png`	折线是中间调拉伸唯一解
7	性能与一致性	`026_benchmark.png`	LUT 快 32 倍
8	W×L 参数网格	`026_wl_grid.png`	等效双滑杆

代码运行后，上述 PNG 全部自动生成到 code/output/ 目录。

十、产品推荐

层级	移动端 App	专业级工具	开源/免费	适用场景
医学影像调窗	OsiriX HD（iOS DICOM 查看器）、MIM Mobile	RadiAnt DICOM Viewer（Windows）、OsiriX MD（macOS）	Horos（macOS）、3D Slicer、MicroDicom（Windows 免费版）	DICOM 影像窗宽窗位浏览
曲线工具（N 断点折线）	Snapseed（曲线）、Lightroom Mobile（色调曲线）	Adobe Photoshop（曲线）、Capture One、Affinity Photo	GIMP（曲线）、Darktable、RawTherapee	修图：中间调精修
海报化/色调分离	PicsArt（海报效果）、Prisma	Photoshop（色调分离）、Affinity Photo	GIMP（Posterize）	设计/美术风格化
科研分析	---	ImageJ/Fiji（Brightness/Contrast 调窗）、MATLAB	ImageJ（免费）	显微/科学图像

text 复制代码

选择建议：
  · 想亲手体验"调窗"：手机装 MicroDicom / OsiriX HD 打开任意 DICOM 文件，
    拖动窗宽窗位滑杆------就是今晚实验 3/4 的交互版。
  · 通用修图：Snapseed "曲线"工具点两个控制点拉折线，等价于今晚的 lut_piecewise。
  · 影像科/科研：Horos 与 3D Slicer 免费专业，窗宽窗位、CT 值测量全套支持。

十一、常见问题 FAQ

Q1：分段线性、灰度窗、阶梯变换，三者是什么关系？

A：灰度窗是三段线性的特例（段 1/段 3 斜率 = 0，段 2 端点对齐 0/255）；阶梯变换是"斜率在台阶处为 0、台阶沿垂直"的极端分段函数。三者都是"逐灰度映射"的点运算，都能写成 256 项 LUT。

Q2：窗宽窗位里的 L（窗位）和 024 期的 β（亮度）是一回事吗？

A：形似神不似。β 是整条映射直线平移；L 平移的是"窗口"（哪一段灰度被拉伸），窗内像素的输出不受 L 直接加减，而是被重新映射到 0~255。L 增大时图像看起来"变暗"，本质是窗口移向了更亮的输入段。

Q3：分段线性会把信息压没吗？

A：窗外像素直接饱和到 0/255，窗内外的灰度差信息确实丢失（不可逆）。这正是 CT 的设计取舍：一次只看清一种组织，需要看别的组织就换窗口------所以医学影像原始数据永远保存全动态范围的 DICOM，显示层才调窗。

Q4：自动伽马为什么在这期实验里完全失效？

A：伽马的优化目标是均值（亮度），不改变直方图形状的"宽窄"（对比度）。实验图的均值恰好是 128，自动伽马算出 γ=1.011 直接躺平。教训：先诊断图像问题属于亮度还是对比度，再选工具。

Q5：断点应该怎么选？有没有自动方法？

A：经验法是看直方图：把内容密集区两端设为断点（如百分位 1% 和 99%）。自动方法包括按百分位自动选断点、最小值-最大值忽略离群点等。更彻底的自适应方案是 022/023 期的 HE/CLAHE------它们相当于"直方图数据驱动的自动分段变换"。

Q6：彩色图能做分段线性吗？

A：能，而且 Photoshop 的"曲线"就是逐通道（RGB/单独通道）分段折线。工程上与 024/025 期结论一致：整图风格调整推荐转 Lab 只动 L，或 HSV 只动 V，避免色相漂移；创意调色才逐通道拉曲线。

十二、课后练习

基础练习 ：给 lut_window 加一个"反窗"模式：窗内显示 0/255 两级、窗外线性（用于突出"不在目标灰度段"的像素），想想这能用于什么质检场景。
进阶练习：实现"百分位自动断点"：取累计直方图 1% 和 99% 处的灰度作为 x₁、x₂，自动做三段拉伸，在 10 张不同图上对比 min-max 拉伸的鲁棒性。
挑战题 ：用 OpenCV Trackbar 实现四窗口联动：一个窗口显示原图+当前窗宽窗位指示线（叠加在直方图上），另一个窗口实时显示调窗结果（提示：cv2.line 画指示线）。

十三、完整可运行脚本

bash 复制代码

# 环境要求
Python 3.8+
OpenCV 4.5+ / 5.x
NumPy 1.20+
Matplotlib 3.4+

# 运行
python code/026_piecewise_windowing.py

运行后 code/output/ 下会生成 8 张 PNG，对应本文全部实验。

下期预告（第 027 期）：查找表（LUT）加速------点运算优化的统一答案。三期的直线、曲线、折线全部归位：为什么 256 项查表能通吃一切点运算？LUT 在滤镜引擎、美颜 SDK、实时调色里的工业级用法。