1. 直方图基础
各位同学，咱们今天开始聊图像直方图。说实话，我刚开始接触图像处理时，觉得直方图不就是个柱状图嘛，有啥好学的？后来在项目中吃过亏才明白——直方图是理解图像最直观的“体检报告”。你拿到一张图，先看它的直方图，基本就能判断出这图“身体”好不好。
1.1 图像直方图的定义
直方图说白了，就是统计图像中每个灰度值出现了多少次。横轴是灰度级（0~255），纵轴是该灰度级的像素个数。
数学上定义很简单：
对于灰度级 r_k，其像素个数为 n_k
直方图函数：h(r_k) = n_k
归一化直方图：p(r_k) = n_k / N
其中 N 为图像总像素数归一化后的直方图，纵轴变成了概率密度。我个人习惯用归一化版本，因为不同尺寸的图像之间可以直接对比。
核心要点：直方图只统计像素出现的频率，不包含像素的位置信息。同一张直方图可能对应完全不同的图像——这个坑我后面会细说。
1.2 灰度直方图与彩色直方图
灰度图只有一个通道，直方图就是一根曲线。彩色图有三个通道（RGB），每个通道都可以画一个直方图。
| 类型 | 通道数 | 直方图数量 | 典型用途 |
|---|---|---|---|
| 灰度直方图 | 1 | 1 | 亮度分布分析、对比度评估 |
| 彩色直方图 | 3（RGB） | 3 | 颜色分布分析、图像检索 |
| 彩色直方图（HSV） | 3（H/S/V） | 3 | 色调分离、光照不变性分析 |
我记得有一次做肤色检测，直接用RGB直方图效果很差。后来换成HSV空间的H通道直方图，一下子就准了。为什么？因为RGB三个通道高度相关，而HSV把色调和亮度分开了。
我的经验：做颜色分析时，优先考虑HSV或Lab空间的直方图，别死磕RGB。RGB直方图更适合做亮度相关的分析。
1.3 直方图的性质
直方图有几个重要性质，我挑最常用的说：
- 归一化不变性：直方图归一化后，图像尺寸变化不影响形状。你放大缩小一张图，归一化直方图基本不变。
- 可叠加性：两张图的直方图可以直接相加。这个性质在做图像拼接时特别有用。
- 位置无关性：直方图不记录像素位置。同一张直方图可以对应无数种空间排列的图像。
避坑指南：我曾经在项目中用直方图做图像匹配，结果两张完全不同的图直方图几乎一样——都是中等亮度、均匀分布。后来我才意识到，直方图只能描述全局统计特征，空间信息是缺失的。所以做匹配时，一定要结合空间特征（如纹理、边缘）一起用。
1.4 直方图的意义
直方图能告诉我们什么？我总结了几点：
- 图像亮度分布：直方图集中在暗区，说明图像偏暗；集中在亮区，说明偏亮。
- 对比度高低：直方图分布范围窄，对比度低；分布范围宽，对比度高。
- 是否存在过曝/欠曝：直方图两端有尖峰，说明有大量像素被截断。
- 图像质量评估：好的图像直方图应该分布均匀，没有明显的断层或尖峰。
你想想看，拿到一张图，先看直方图，基本就能判断出要不要做增强、怎么做增强。这就是直方图的价值所在。
1.5 直方图知识体系
下面这张图是我画的直方图知识体系框架，帮你理清本章的核心脉络：
1.6 直方图的实际应用场景
说了这么多理论，咱们看看直方图在实际项目中怎么用：
| 应用场景 | 直方图特征 | 处理方法 |
|---|---|---|
| 图像偏暗（欠曝） | 直方图集中在左侧 | 直方图均衡化、伽马校正 |
| 图像偏亮（过曝） | 直方图集中在右侧 | 直方图压缩、对比度拉伸 |
| 对比度低（雾感） | 直方图分布范围窄 | 直方图均衡化、CLAHE |
| 图像偏色 | RGB三通道直方图偏移 | 直方图匹配、白平衡 |
| 图像检索 | 直方图相似度 | 直方图距离计算（巴氏距离、卡方距离） |
小技巧：判断一张图是否过曝，别只看视觉感受。看直方图最右侧有没有“撞墙”——就是像素堆积在255处。如果有，说明高光细节已经丢失了，后期再怎么拉也拉不回来。