3. 直方图特征分析

直方图不只是个“图”。它背后藏着一堆数字特征，能告诉你图像的亮度分布、对比度强弱、纹理复杂程度。说白了，这些统计量就是图像的“体检报告”。

我个人习惯，拿到一张图先算这六个指标。它们能帮我快速判断：这张图是不是过曝了？是不是雾蒙蒙的？有没有细节可以挖？

3.1 均值（Mean）—— 图像的整体亮度

均值就是所有像素灰度的平均值。公式很简单：

μ = (1 / N) * Σ_{i=0}^{L-1} i * p(i)

其中 p(i) 是灰度 i 出现的概率，N 是总像素数，L 是灰度级数（通常是 256）。

• 均值偏小（< 80）：图像偏暗，细节可能藏在暗部。
• 均值适中（80~170）：亮度正常，视觉舒适。
• 均值偏大（> 170）：图像偏亮，高光区域可能过曝。

3.2 方差（Variance）—— 对比度的度量

方差衡量像素值偏离均值的程度。对比度越高，方差越大。

σ² = Σ_{i=0}^{L-1} (i - μ)² * p(i)

标准差 σ 是方差的平方根，单位与灰度一致，更直观。

3.3 偏度（Skewness）—— 亮度分布的对称性

偏度告诉你直方图是“左偏”还是“右偏”。

Skewness = (1 / σ³) * Σ_{i=0}^{L-1} (i - μ)³ * p(i)

• 偏度 > 0（右偏）：直方图左侧有长尾，图像偏暗，暗部细节丰富。
• 偏度 < 0（左偏）：直方图右侧有长尾，图像偏亮，高光区域多。
• 偏度 ≈ 0：直方图对称，亮度分布均匀。

为什么会这样？你想想看，如果大部分像素集中在暗部，少数像素在亮部，直方图就会向右拖出一条尾巴——这就是正偏度。

3.4 峰度（Kurtosis）—— 分布的“尖峭”程度

峰度衡量直方图是“尖峰”还是“扁平”。

Kurtosis = (1 / σ⁴) * Σ_{i=0}^{L-1} (i - μ)⁴ * p(i) - 3

这里减 3 是为了让正态分布的峰度为 0，方便比较。

• 峰度 > 0（尖峰）：像素集中在少数灰度级，图像纹理单一，比如纯色背景。
• 峰度 < 0（平峰）：像素分布分散，纹理丰富，细节多。
• 峰度 ≈ 0：接近正态分布，自然图像常见。

我记得有一次做医学图像分析，CT 图像的峰度特别高——因为大部分像素集中在骨骼和空气两个灰度区间。这时候做增强，得小心别把噪声也放大了。

3.5 能量（Energy）—— 灰度分布的集中度

能量是各灰度概率的平方和。它反映直方图的“纯净度”。

Energy = Σ_{i=0}^{L-1} [p(i)]²

• 能量高（接近 1）：少数灰度级占主导，图像简单，比如二值图。
• 能量低（接近 0）：灰度分布均匀，图像复杂，纹理丰富。

3.6 熵（Entropy）—— 图像的信息量

熵来自信息论，衡量直方图的不确定性。熵越大，图像包含的信息越丰富。

Entropy = - Σ_{i=0}^{L-1} p(i) * log₂[p(i)]

对于 8 位图像，熵的最大值是 8（所有灰度等概率出现）。

嗯，这里要注意：熵高不一定好。噪声图像的熵也很高，但那是“无效信息”。所以熵要结合其他指标一起看。

3.7 六个特征的关系图谱

下面这张图帮你理清这六个指标的逻辑关系：

3.8 实战：用 Python 计算这些特征

光说不练假把式。下面这段代码，我经常在项目里直接复用：

import cv2
import numpy as np

def histogram_features(image):
    # 计算直方图
    hist = cv2.calcHist([image], [0], None, [256], [0, 256])
    hist = hist.flatten()
    prob = hist / hist.sum()  # 归一化为概率
    gray_levels = np.arange(256)

    # 均值
    mean = np.sum(gray_levels * prob)

    # 方差
    variance = np.sum((gray_levels - mean) ** 2 * prob)

    # 偏度
    skewness = np.sum((gray_levels - mean) ** 3 * prob) / (variance ** 1.5)

    # 峰度
    kurtosis = np.sum((gray_levels - mean) ** 4 * prob) / (variance ** 2) - 3

    # 能量
    energy = np.sum(prob ** 2)

    # 熵
    entropy = -np.sum(prob * np.log2(prob + 1e-10))

    return {
        'mean': mean,
        'variance': variance,
        'skewness': skewness,
        'kurtosis': kurtosis,
        'energy': energy,
        'entropy': entropy
    }

# 使用示例
img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
features = histogram_features(img)
for key, value in features.items():
    print(f"{key}: {value:.4f}")

嗯，以上就是直方图统计特征的完整分析。下次拿到一张图，先跑一遍这六个指标，你就能快速判断它“健不健康”了。