直方图计算与可视化：从数据到图形

直方图这东西，说白了就是一张统计图。它把图像里每个像素的亮度值数一遍，然后告诉你：这张图里有多少像素是暗的，多少是亮的。我刚开始学图像处理时，总觉得直方图就是个辅助工具，后来做项目才发现——它其实是图像分析的「第一道安检」。

直方图统计方法：灰度级与频数

一张灰度图像，每个像素的取值在 0 到 255 之间。直方图要做的就两件事：

• 统计每个灰度级出现的像素个数（频数）
• 把频数画成柱状图，横轴是灰度级，纵轴是频数

举个例子，一张 4×4 的 8 位灰度图：

统计结果就是：灰度 50 出现 3 次，100 出现 5 次，150 出现 3 次，200 出现 4 次，255 出现 1 次。就这么简单。

OpenCV/Python 绘制直方图：三种常用方法

Python 里画直方图，我常用的工具是 OpenCV 配合 Matplotlib。下面给出三种写法，从最基础的到最实用的。

方法一：用 OpenCV 的 calcHist

import cv2
import matplotlib.pyplot as plt

# 读取灰度图
img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)

# 计算直方图
hist = cv2.calcHist([img], [0], None, [256], [0, 256])

# 绘制
plt.plot(hist, color='black')
plt.xlabel('灰度级')
plt.ylabel('像素数')
plt.title('灰度直方图')
plt.show()

calcHist 的参数含义：

• [img]：输入图像列表
• [0]：通道索引，灰度图只有 0 通道
• None：掩膜，None 表示全图统计
• [256]：bin 的数量，256 表示每个灰度级一个 bin
• [0, 256]：灰度范围

方法二：用 Matplotlib 的 hist 直接画

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)

# 将图像展平为一维数组
pixels = img.ravel()

# 直接画直方图
plt.hist(pixels, bins=256, range=[0, 256], color='gray', alpha=0.7)
plt.xlabel('灰度级')
plt.ylabel('像素数')
plt.title('灰度直方图（Matplotlib）')
plt.show()

这个方法更简洁，但底层也是先统计再绘图。我个人习惯用 calcHist，因为后续做直方图均衡化时可以直接复用统计结果。

方法三：彩色图像的三通道直方图

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('example.jpg')
colors = ('b', 'g', 'r')

for i, color in enumerate(colors):
    hist = cv2.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(hist, color=color, label=f'通道 {color}')

plt.xlabel('灰度级')
plt.ylabel('像素数')
plt.legend()
plt.title('彩色图像三通道直方图')
plt.show()

直方图归一化：让统计结果可比较

不同尺寸的图像，像素总数不一样。直接比较频数没有意义。比如一张 100×100 的图和一张 1000×1000 的图，同样灰度 128 出现 500 次，前者占比 5%，后者只有 0.05%。

归一化就是把频数转换成概率密度，公式很简单：

p(r_k) = n_k / N

其中 n_k 是灰度级 r_k 的像素数，N 是总像素数。

OpenCV 里归一化直方图有两种方式：

import cv2
import numpy as np

img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])

# 方式一：手动归一化
hist_norm = hist / (img.shape[0] * img.shape[1])

# 方式二：用 normalize 函数
hist_cv_norm = cv2.normalize(hist, hist, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)

注意这两种方式的区别：

本章知识体系

下面这张图把直方图计算与可视化的核心流程串起来了：

从输入图像开始，先统计每个灰度级的像素频数，然后分两条路走：一条是直接可视化绘制直方图，另一条是归一化处理。归一化后的结果既可以用于概率分析，也可以作为后续直方图均衡化、匹配等增强技术的输入。