灰度变换基础：灰度图像、直方图与数学本质

做图像增强，绕不开灰度变换。说白了，灰度变换就是图像增强的“基本功”。我刚开始接触这个领域时，总觉得那些花里胡哨的滤波算法才叫厉害，后来才发现——灰度变换才是性价比最高的操作。一个简单的映射，就能让图像质量提升一个档次。

灰度图像到底是什么？

先聊个基础概念。灰度图像，每个像素只有一个值——亮度值。范围通常是 0 到 255，0 代表纯黑，255 代表纯白。中间的数字就是不同程度的灰色。

你想想看，彩色图像有 RGB 三个通道，每个像素要存三个数。灰度图就一个通道，数据量直接降到三分之一。我在项目中处理过一批老照片，原始格式是 24 位真彩色，但实际分析只需要亮度信息。转成灰度图后，处理速度提升了将近 3 倍。

嗯，这里要注意：灰度图不是“黑白图”。黑白图只有两个值——黑和白。灰度图有 256 个级别，能保留丰富的细节过渡。

灰度直方图——图像的“体检报告”

直方图是什么？简单说，就是统计每个灰度级别有多少个像素。

横轴是灰度值（0-255），纵轴是像素个数。看一眼直方图，你就能大概知道这张图的“性格”——偏暗还是偏亮，对比度够不够，有没有过曝或欠曝。

直方图的三种典型形态

我曾经处理过一批工业检测图像，产品表面有细微划痕。肉眼根本看不出来，但直方图显示在灰度值 120-130 区间有一个微小的“凸起”。那就是划痕区域。直方图帮我们定位了问题区域。

灰度变换的数学本质

灰度变换，说白了就是一个函数映射：

g(x, y) = T[f(x, y)]

其中 f 是输入图像的像素值，g 是输出图像的像素值，T 就是变换函数。

这个 T 可以是线性的，也可以是非线性的。可以是全局的，也可以是局部的。但核心思想就一个——重新分配像素的灰度值。

常见的变换函数类型

• 线性变换：g = a * f + b。a 控制对比度，b 控制亮度。a > 1 拉伸对比度，a < 1 压缩对比度。
• 对数变换：g = c * log(1 + f)。压缩高亮度区域，拉伸低亮度区域。适合处理过曝图像。
• 幂律变换（伽马校正）：g = c * f^γ。γ < 1 提亮暗部，γ > 1 压暗暗部。
• 分段线性变换：不同区间用不同斜率。可以针对性增强特定灰度范围。

灰度变换与直方图的关系

直方图是灰度变换的“导航仪”。变换前看直方图，你能知道问题在哪。变换后看直方图，你能验证效果好不好。

举个例子：一张图像直方图集中在 50-100 区间，说明对比度低。用线性变换把区间拉伸到 0-255，直方图就会“铺开”。这就是对比度拉伸的本质。

我个人习惯把直方图当作调试工具。每次调整变换参数，我都会同时看图像效果和直方图变化。两者对照，调整方向就很清晰了。

知识结构总览

下面这张图概括了本章的核心逻辑，我建议你保存下来，后面几章都会用到。

这张图把本章的三个核心概念串起来了。灰度图像是原材料，直方图是诊断工具，数学映射是手术刀。三者配合，才能做好图像增强。