📚 课程目录第1章图像直方图基础

1、图像直方图基础：什么是直方图？直方图的数学定义与物理意义

你有没有遇到过这种情况？拍了一张照片，看起来灰蒙蒙的，像蒙了一层雾。或者反过来，照片里亮的地方太亮，暗的地方太暗，细节全丢了。

我刚开始做图像处理时，第一反应就是调亮度、拉对比度。后来才发现，真正懂行的人，第一件事是看直方图。说白了，直方图就是图像的「体检报告」。它不关心你拍的是什么内容，只关心像素的「亮度分布」。

举个例子。一张正常的风景照，直方图应该像一座平缓的山丘，从左到右均匀分布。如果山峰全挤在左边，说明图像偏暗；全挤在右边，说明过曝。中间有缺口？那说明某些亮度级别的像素压根没有，图像层次感就会差。

  核心观点： 直方图是图像处理中最基础、最强大的工具之一。它不依赖图像内容，只描述像素值的统计分布。

咱们先看数学定义，其实很简单。

对于一张灰度图像，假设像素值范围是 [0, L-1]，比如 8 位图像就是 0~255。直方图就是一个离散函数：

h(r_k) = n_k

其中：

嗯，这里要注意：直方图不记录像素的位置信息。它只告诉你「有多少像素是这个亮度」，不告诉你「这些像素在图像的哪个位置」。所以两张完全不同的图像，可能拥有完全相同的直方图。

我习惯把直方图归一化，方便不同尺寸的图像做对比：

p(r_k) = n_k / (M × N)

其中 M×N 是图像总像素数。归一化后的 p(r_k) 就是概率密度函数（PDF）的估计值，所有 p(r_k) 之和等于 1。

直方图的物理意义，我总结为三个层次：

举个例子。一张曝光正常的照片，直方图应该像一座平缓的山丘，从左到右均匀分布。如果山峰全挤在左边，说明图像偏暗；全挤在右边，说明过曝。中间有缺口？那说明某些亮度级别的像素压根没有，图像层次感就会差。

我的经验： 在工业检测项目中，我经常用直方图来判断光照是否均匀。如果直方图出现多个明显的峰，说明图像中存在多个亮度区域，可能是光照不均或者反光造成的。

我在项目中遇到过三种典型的直方图形态，每种都对应着不同的图像问题：

你想想看，如果一张医学 X 光片的直方图是窄峰型，那医生很可能看不清病灶细节。这就是为什么直方图均衡化在医学影像中应用广泛——它能拉伸对比度，让细节显现出来。

直方图还能反映图像质量的一些关键指标：

避坑指南： 我曾经在一个项目中，直接用直方图均值来判断图像是否过曝。结果发现，一张图像虽然均值正常，但直方图两端都出现了「截断」——亮部和暗部的细节全丢了。所以只看均值是不够的，一定要看直方图的整体形态。

下面这张图总结了本章的核心知识结构，帮你快速建立直方图的整体认知：

光说不练假把式。咱们拿一个 4×4 的微型图像，手动算一遍直方图。

假设图像像素值如下：

[[ 50,  50, 100, 100],
 [ 50, 100, 150, 150],
 [100, 150, 200, 200],
 [100, 150, 200, 255]]

统计每个灰度级的像素个数：

灰度级	50	100	150	200	255
频数 n_k	3	5	3	4	1
概率 p(r_k)	0.1875	0.3125	0.1875	0.25	0.0625

你看，直方图就是这么简单。但就是这简单的统计，能告诉我们很多信息。比如这张图，像素集中在 100 和 200 附近，中间 150 反而少——说明图像可能缺乏平滑过渡，看起来会有点「硬」。

小技巧： 我习惯在写代码时，先用 np.histogram() 快速看一眼直方图，再决定要不要做均衡化。很多时候，看一眼直方图就能判断图像是否需要处理，省得盲目调参。

直方图是图像处理中最基础、最强大的工具。它用最简单的统计方式，揭示了图像的亮度分布、对比度和动态范围。掌握了直方图，你就拿到了图像增强的第一把钥匙。