3. 直方图可视化
直方图这东西，说白了就是一张“像素值分布地图”。你拿到一张遥感影像，第一件事往往不是直接做增强，而是先看看它的直方图长什么样。我个人的习惯是：先看图，再动手。直方图能告诉你影像的亮度范围、对比度高低、有没有过曝或欠曝，甚至能帮你判断地物类型的分布情况。
这一章我们就来实战——用 Python 的 Matplotlib 库，把单波段和多波段的直方图画出来。嗯，代码我会给全，但更重要的是理解每张图背后的含义。
3.1 单波段直方图：从一维数组到可视化
单波段直方图是最基础的形式。你有一个波段的数据（比如近红外波段），把它拉成一维数组，然后统计每个灰度值出现的次数，再画成柱状图——就这么简单。
但这里有个坑：遥感影像通常是 16 位或 32 位浮点型，不像普通照片是 0-255 的 8 位整数。如果你直接拿原始数据去画直方图，横坐标会变得非常稀疏，看起来像一堆刺。我刚开始做的时候就被这个坑过，画出来的图根本没法看。
来看一段核心代码：
import matplotlib.pyplot as plt
import numpy as np
from osgeo import gdal
# 读取单波段数据
ds = gdal.Open('landsat_b4.tif')
band = ds.GetRasterBand(1).ReadAsArray()
# 展平为一维数组
data_flat = band.flatten()
# 过滤掉无效值（比如 NoData 值）
data_valid = data_flat[data_flat > 0]
# 绘制直方图
plt.figure(figsize=(10, 6))
plt.hist(data_valid, bins=256, color='steelblue', edgecolor='none', alpha=0.8)
plt.title('单波段直方图 - Landsat 8 Band 4 (近红外)')
plt.xlabel('像素值')
plt.ylabel('频数')
plt.grid(axis='y', alpha=0.3)
plt.show()这段代码里，我特别加了一行过滤无效值的操作。为什么？因为遥感影像的边缘通常有黑色填充（值为 0），或者有 NoData 标记值。如果不过滤，这些无效像素会严重干扰直方图的形态，让你误以为影像整体偏暗。
3.2 多波段直方图：叠加与对比
单波段直方图只能看一个波段的信息。但遥感影像通常是多波段的——比如 Landsat 8 有 11 个波段。把多个波段的直方图画在一起，能直观地对比不同波段的光谱响应范围。
我记得有一次做植被覆盖度分析，需要对比红波段和近红外波段的分布差异。把两个直方图叠在一起画，一眼就能看出近红外波段的像素值整体偏高——这就是植被在近红外波段强反射的典型特征。
多波段直方图有两种常见画法：
| 画法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 叠加直方图 | 波段数量少（2-4 个） | 对比直观，一眼看出差异 | 波段多了会重叠看不清 |
| 子图排列 | 波段数量多（5 个以上） | 每个波段独立显示，清晰 | 对比不够直接 |
叠加直方图的代码实现：
# 读取三个波段
bands_data = []
band_names = ['蓝波段', '绿波段', '红波段']
colors = ['blue', 'green', 'red']
for i in [1, 2, 3]: # Landsat 8 前三个波段
band = ds.GetRasterBand(i).ReadAsArray()
data_valid = band[band > 0].flatten()
bands_data.append(data_valid)
# 叠加绘制
plt.figure(figsize=(12, 6))
for data, name, color in zip(bands_data, band_names, colors):
plt.hist(data, bins=256, alpha=0.5, label=name, color=color, edgecolor='none')
plt.title('多波段直方图叠加 - Landsat 8 RGB')
plt.xlabel('像素值')
plt.ylabel('频数')
plt.legend()
plt.grid(axis='y', alpha=0.3)
plt.show()这里 alpha=0.5 是关键——透明度让重叠区域能透出下面的颜色。如果不设透明度，后面的波段会把前面的完全盖住，那就白画了。
3.3 直方图解读：从图形到信息
画图不是目的，读懂图才是。我总结了几个直方图形态对应的影像特征：
- 直方图集中在左侧：影像整体偏暗，可能是阴影区域多，或者传感器增益设置偏低。
- 直方图集中在右侧：影像整体偏亮，可能是雪地、沙漠等高反射地物占比大。
- 直方图呈双峰或多峰：影像中存在两种或多种明显不同的地物类型。比如一个峰对应水体（低值），另一个峰对应植被（中高值）。
- 直方图很窄：影像对比度低，地物之间的光谱差异小，需要做拉伸增强。
- 直方图有断崖或空洞：可能是数据压缩或量化造成的，也可能是传感器故障。
3.4 直方图可视化流程框架
下面这张图总结了从原始影像到直方图输出的完整流程，以及不同场景下的选择路径：
3.5 常见问题与避坑指南
画直方图看起来简单，但实际操作中会遇到各种问题。我把自己踩过的坑整理了一下：
- 直方图全是尖刺，看不出分布：bins 数量设置太多。对于 16 位影像，bins=256 通常够用；对于 8 位影像，bins=64 或 128 更合适。
- 直方图两端有异常高峰：大概率是 NoData 值或边界填充值没过滤。用 np.percentile() 先看看数据的有效范围。
- 多波段叠加时颜色混在一起看不清：试试用不同的线型（histtype='step'）代替填充柱状图，或者改用子图排列。
- 直方图横坐标范围太大：用 plt.xlim() 手动设置显示范围，聚焦在有效数据区间。