3、直方图分析：什么是直方图？直方图如何反映曝光问题？实战：绘制并解读一张欠曝/过曝图像的直方图。
好，咱们进入第三讲。前两章我们聊了暗部提亮和高光压缩的基本概念，也看了几张对比图。但说实话，光靠眼睛看，你很难量化一张图到底欠曝了多少、高光到底有没有被裁切。
这时候，就需要一个非常客观的工具——直方图。
我个人习惯，拿到一张RAW格式的照片，第一件事不是看画面好不好看，而是先看直方图。它就像相机的“体检报告”，哪里有问题，一目了然。
3.1 什么是直方图？
直方图，说白了就是一张统计图。它统计的是图像中每个亮度级别上，有多少个像素。
你想想看，一张8位深度的图像，亮度范围是0到255。0代表纯黑，255代表纯白。直方图的横轴就是这256个亮度级别，从左到右，从黑到白。纵轴呢，就是每个亮度级别上像素的数量。
所以，直方图能告诉你三件事：
- 曝光分布：像素主要集中在暗部、中间调，还是亮部？
- 动态范围：图像有没有从纯黑到纯白的完整过渡？
- 裁切风险：有没有像素被“挤”到最左边（纯黑）或最右边（纯白），导致细节丢失？
核心概念：直方图不是“好看”的工具，而是“诊断”的工具。它不关心画面美不美，只关心数据是否健康。
3.2 直方图如何反映曝光问题？
我在项目中遇到过很多次，摄影师觉得画面“看着还行”，但直方图一拉出来，问题全暴露了。常见的曝光问题，直方图会给出非常明确的信号。
3.2.1 欠曝（曝光不足）
欠曝的直方图，像素会大量堆积在横轴的左侧（暗部区域），右侧（亮部区域）几乎是空的。
举个例子，你拍了一张夜景，画面很暗。直方图看起来就像一座“山”靠在左边墙上。这时候，暗部细节可能已经丢失了，因为很多像素被压缩到了0附近。
| 曝光状态 | 直方图特征 | 典型问题 |
|---|---|---|
| 欠曝 | 像素集中在左侧，右侧空白 | 暗部细节丢失，噪点增多 |
| 过曝 | 像素集中在右侧，左侧空白 | 高光细节丢失，出现死白 |
| 正常曝光 | 像素分布均匀，从暗到亮都有 | 细节丰富，动态范围利用充分 |
| 高对比度 | 两端高中间低，呈“U”形 | 暗部和亮部细节可能同时丢失 |
3.2.2 过曝（曝光过度）
过曝的直方图正好相反。像素会大量堆积在右侧，左侧几乎没东西。这时候，高光区域（比如天空、人脸高光）会变成一片死白，完全没有任何纹理。
嗯，这里要注意：过曝比欠曝更难救。欠曝的暗部噪点，你还能用降噪算法压一压。但过曝的死白区域，像素值就是255，没有任何信息可以恢复。所以，我建议你拍摄时，宁可欠曝一档，也别过曝。
3.2.3 低对比度（灰蒙蒙）
还有一种情况，直方图看起来像一座“山”立在中间，左右两端都是空的。这说明画面既没有纯黑，也没有纯白，整体对比度很低，看起来灰蒙蒙的。
这种图，后期需要做对比度拉伸，把直方图的两端“拉开”，让暗部更暗、亮部更亮。
个人经验：我处理过一张雾天拍的风景照，直方图就是典型的“中间山”。通过调整色阶，把黑场和白场分别拉到直方图的两端，画面立刻通透了很多。但要注意，拉得太狠会产生断层，这个后面会讲。
3.3 实战：绘制并解读一张欠曝/过曝图像的直方图
光说不练假把式。咱们用Python来实战一下。我会生成一张模拟的欠曝图像，然后绘制它的直方图，并解读问题。
3.3.1 生成模拟图像
为了演示，我手动创建一个8x8像素的“图像”，模拟欠曝场景：大部分像素值在0-50之间，只有少数几个像素在100以上。
import numpy as np
import matplotlib.pyplot as plt
# 模拟一张欠曝图像（8x8像素）
# 大部分像素值在0-50之间，模拟暗部
under_exposed = np.array([
[10, 15, 20, 25, 30, 35, 40, 45],
[12, 18, 22, 28, 32, 38, 42, 48],
[8, 14, 19, 24, 29, 34, 39, 44],
[5, 10, 15, 20, 25, 30, 35, 40],
[3, 8, 12, 18, 22, 28, 32, 38],
[1, 5, 10, 15, 20, 25, 30, 35],
[0, 3, 8, 12, 18, 22, 28, 32],
[0, 1, 5, 10, 15, 20, 25, 30]
], dtype=np.uint8)
# 模拟一张过曝图像（大部分像素值在200-255之间）
over_exposed = np.array([
[200, 210, 220, 230, 240, 250, 255, 255],
[205, 215, 225, 235, 245, 255, 255, 255],
[210, 220, 230, 240, 250, 255, 255, 255],
[215, 225, 235, 245, 255, 255, 255, 255],
[220, 230, 240, 250, 255, 255, 255, 255],
[225, 235, 245, 255, 255, 255, 255, 255],
[230, 240, 250, 255, 255, 255, 255, 255],
[235, 245, 255, 255, 255, 255, 255, 255]
], dtype=np.uint8)
print("欠曝图像像素值范围：", under_exposed.min(), "-", under_exposed.max())
print("过曝图像像素值范围：", over_exposed.min(), "-", over_exposed.max())
3.3.2 绘制直方图
接下来，我们用matplotlib绘制这两张图的直方图。
# 绘制欠曝图像的直方图
plt.figure(figsize=(12, 5))
plt.subplot(1, 2, 1)
plt.hist(under_exposed.ravel(), bins=256, range=[0, 256], color='blue', alpha=0.7)
plt.title('欠曝图像直方图')
plt.xlabel('像素亮度 (0-255)')
plt.ylabel('像素数量')
plt.xlim([0, 255])
# 绘制过曝图像的直方图
plt.subplot(1, 2, 2)
plt.hist(over_exposed.ravel(), bins=256, range=[0, 256], color='red', alpha=0.7)
plt.title('过曝图像直方图')
plt.xlabel('像素亮度 (0-255)')
plt.ylabel('像素数量')
plt.xlim([0, 255])
plt.tight_layout()
plt.show()
3.3.3 解读结果
运行上面的代码，你会看到两张直方图：
- 欠曝直方图：所有柱子都挤在0-50之间，右侧一片空白。这说明画面整体很暗，而且暗部细节可能已经丢失（因为很多像素值接近0）。
- 过曝直方图：所有柱子都挤在200-255之间，左侧一片空白。这说明画面整体很亮，而且高光区域（值255）出现了裁切，细节完全丢失。
避坑指南：我曾经在处理一张星空照片时，发现直方图左侧有一个“尖峰”。一开始没在意，后来放大看，发现暗部全是彩色噪点。那个尖峰就是噪点像素的统计。所以，直方图左侧的尖峰，不一定只是“暗部细节”，也可能是“噪点”。
3.4 知识结构图：直方图分析核心逻辑
下面这张SVG图，帮你梳理直方图分析的核心逻辑。从“输入图像”到“诊断结论”，每一步都对应一个具体的操作。
3.5 总结与下一步
直方图是后期处理的基础。它能帮你快速判断一张图的曝光状态，避免盲目调色。
记住几个关键点：
- 欠曝：像素挤在左边，暗部细节可能丢失，噪点增多。
- 过曝：像素挤在右边，高光细节丢失，无法恢复。
- 低对比度：像素挤在中间，画面发灰。
- 高对比度：像素挤在两边，暗部和亮部细节可能同时丢失。