📚 课程目录第2章直方图绘制

2. 直方图绘制

图像直方图这东西，说白了就是统计每个灰度级上有多少个像素。你想想看，一张图亮不亮、对比度高不高，看直方图一眼就能判断。我刚开始做图像处理时，总觉得直方图太简单，后来才发现——很多高级算法的基础都在这里。

这一章，我们就把直方图的四种绘制方法讲透。从最省事的 imhist，到完全自己动手写，每一步我都会把坑指出来。

1. imhist函数——最快上手

imhist 是MATLAB自带的直方图计算函数。用法极其简单：

% 读取图像
I = imread('pout.tif');
% 计算并显示直方图
imhist(I);

嗯，这里要注意——imhist 默认只接受灰度图。如果你传了彩色图，它会报错。我在项目里见过有人直接拿RGB图往里塞，结果一脸懵。

小技巧： 如果图像是uint8类型，灰度级范围是0-255；如果是double类型，范围是0-1。用之前最好确认一下数据类型。

如果你想获取直方图数据而不是直接显示，可以这样：

[counts, binLocations] = imhist(I);
% counts: 每个灰度级的像素个数
% binLocations: 对应的灰度级

我个人习惯拿到 counts 后先看一眼最大值，判断图像有没有过曝或欠曝。

2. bar函数——柱状图展示

imhist 画的是竖线图，但有时候我们需要柱状图——尤其是做报告时，柱状图看起来更直观。

I = imread('cameraman.tif');
[counts, bins] = imhist(I);
bar(bins, counts, 'BarWidth', 1, 'FaceColor', [0.3 0.6 0.9]);
xlabel('灰度级');
ylabel('像素个数');
title('直方图 - bar方式');

这里 BarWidth 控制柱子宽度，设为1就是紧挨着，看起来像连续分布。我曾经在给客户做演示时，柱子太细显得稀疏，客户说“你这数据是不是不全？”——从那以后我默认都用 BarWidth 调满。

避坑： 如果图像是16位或更高位，灰度级范围很大，用 bar 会画出密密麻麻的柱子，基本看不清。这时候建议先降采样再画。

3. stem函数——火柴棍图

stem 画出来像火柴棍——每个灰度级上竖一根线，顶端带个圆圈。适合展示离散分布：

I = imread('coins.png');
[counts, bins] = imhist(I);
stem(bins, counts, 'Marker', 'o', 'LineStyle', '-', 'Color', [0.8 0.2 0.2]);
xlabel('灰度级');
ylabel('像素个数');
title('直方图 - stem方式');

说实话，stem 在实际项目中用得不多。它更适合展示稀疏数据——比如只有几个灰度级有像素的情况。我记得有一次做二值化分析，图像只有0和255两个灰度级，用 stem 画出来特别清晰。

绘制方式	适用场景	视觉效果	数据密集时表现
imhist	快速查看	竖线图	好
bar	报告/演示	柱状图	一般（需调BarWidth）
stem	稀疏数据	火柴棍图	差（密集时重叠）

4. 自定义直方图绘制——从零开始

为什么要自己写？因为有时候你需要控制细节——比如只统计某个灰度范围，或者做加权直方图。MATLAB自带的函数做不到这些。

核心思路就三步：

统计每个灰度级的像素个数
归一化（可选）
绘制

来看代码：

% 自定义直方图
I = imread('pout.tif');
I = im2uint8(I);  % 确保是uint8

% 第一步：统计
counts = zeros(256, 1);
for i = 0:255
    counts(i+1) = sum(I(:) == i);
end

% 第二步：归一化（变成概率分布）
prob = counts / numel(I);

% 第三步：绘制
figure;
bar(0:255, prob, 'BarWidth', 1, 'FaceColor', [0.2 0.7 0.3]);
xlabel('灰度级');
ylabel('概率');
title('自定义直方图（归一化）');

  关键点： 用 sum(I(:) == i) 这种写法虽然直观，但循环256次在大图上会很慢。实际项目中我会用 histcounts 或 accumarray 来加速。

如果你想做加权直方图——比如给图像中心区域的像素更高权重——自定义方法就派上用场了：

% 加权直方图示例
[M, N] = size(I);
weight = zeros(M, N);
centerX = N/2; centerY = M/2;
for x = 1:N
    for y = 1:M
        dist = sqrt((x - centerX)^2 + (y - centerY)^2);
        weight(y, x) = exp(-dist / 100);  % 高斯权重
    end
end

weighted_counts = zeros(256, 1);
for i = 0:255
    mask = (I == i);
    weighted_counts(i+1) = sum(weight(mask));
end

嗯，这个加权直方图在目标检测里很常用——中心区域权重高，边缘权重低，能减少背景干扰。

5. 四种方法对比总结

我把四种方法的核心差异整理成一张表，方便你选型：

方法	代码量	灵活性	性能	推荐指数
imhist	1行	低	快	★★★★★
bar	3行	中	快	★★★★
stem	3行	中	快	★★★
自定义	10+行	高	中（循环慢）	★★★★（特殊场景）

我个人建议：日常快速分析用 imhist，做报告用 bar，遇到特殊需求（加权、局部统计）再自己写。别为了炫技而造轮子。

经验之谈： 画直方图时，记得把坐标轴范围固定——xlim([0 255]) 和 ylim([0 max(counts)*1.1])。不然MATLAB自动缩放会误导你。

这张图把四种方法的关系和适用场景串起来了。你想想看——从最省事的 imhist 到完全自定义，本质上是在「开发效率」和「灵活度」之间做权衡。没有的好坏，只有合不合适。