3. 直方图基础

聊到光照校正，有个东西绕不开——直方图。

我刚开始做图像处理那会儿，总觉得直方图就是个统计图，没啥大用。后来在项目中调一个低照度视频的增强算法，调了三天效果都不对。最后画了张直方图一看，好家伙，像素全挤在暗区，亮部几乎空白。那一刻我才真正理解：直方图就是图像的“体检报告”。

3.1 图像直方图的定义

说白了，直方图就是统计图像里每个灰度级出现了多少个像素。

对于一张 8 位灰度图，灰度范围是 0~255，共 256 个灰度级。直方图就是一个离散函数：

h(r_k) = n_k

其中 r_k 是第 k 个灰度级，n_k 是灰度级为 r_k 的像素个数。

举个例子：一张全白的图和一张棋盘格图，如果黑白像素比例相同，它们的直方图就一样。嗯，这里要注意——直方图是全局统计，不是局部特征。

3.2 灰度直方图的绘制

画直方图其实很简单。我习惯用 Python 的 matplotlib 配合 OpenCV 来做。给你看个标准流程：

import cv2
import matplotlib.pyplot as plt

# 读取灰度图
img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)

# 方法一：用 OpenCV 计算直方图
hist = cv2.calcHist([img], [0], None, [256], [0, 256])

# 方法二：用 numpy 直接统计（更直观）
import numpy as np
hist_np, bins = np.histogram(img.ravel(), 256, [0, 256])

# 绘制
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.imshow(img, cmap='gray')
plt.title('原图')
plt.axis('off')

plt.subplot(1, 2, 2)
plt.plot(hist, color='black')
plt.title('灰度直方图')
plt.xlabel('灰度级')
plt.ylabel('像素数')
plt.xlim([0, 255])
plt.tight_layout()
plt.show()

你想想看，一张 1920×1080 的图，有 200 多万个像素。如果一个个看像素值，眼睛会瞎。但一张直方图，一眼就能看出图像的整体亮度倾向。

3.3 直方图与图像亮度的关系

这是实战中最常用的技能。我总结了一个经验：看直方图的“重心”位置，就能判断图像是偏亮还是偏暗。

直方图特征	图像表现	典型场景
像素集中在低灰度区（0~80）	图像偏暗，细节隐藏在暗部	夜间监控、背光拍摄
像素集中在高灰度区（180~255）	图像偏亮，可能过曝	强光下拍摄、雪景
像素分布均匀（0~255 都有）	图像对比度好，细节丰富	正常光照下的标准图
像素集中在中间灰度区（80~180）	图像偏灰，对比度低	雾天、阴天拍摄
直方图出现多个“峰”	图像包含多个亮度层次	逆光人像、明暗交界场景

为什么会这样？因为直方图是全局统计。一个占 99% 的背景和占 1% 的前景，在直方图上背景会“淹没”前景。这时候就需要用局部直方图或者空间域的方法来补充。

3.4 知识结构图：直方图核心体系

我把这一章的核心逻辑画成了一张图，方便你理解直方图在整个光照校正中的位置：

3.5 实战小技巧：快速判断图像质量

在项目中，我经常用直方图做快速筛查。给你几个实用判断：

1. 看峰值位置：峰值在 0 附近，大概率欠曝；峰值在 255 附近，大概率过曝。
2. 看分布宽度：分布越宽，对比度越高；分布越窄，图像越“灰”。
3. 看是否有“断崖”：直方图两端突然截断，说明有像素被裁剪（过曝或欠曝严重）。
4. 看多峰形态：多个峰值说明场景中有多个亮度层次，比如逆光人像。