2、直方图的性质：直方图与图像的关系、直方图的可叠加性、直方图与对比度

聊直方图之前，我想先问你一个问题：一张图像里到底藏着什么信息？像素值呗。但几千几万个像素堆在一起，你怎么一眼看出这张图是偏亮还是偏暗？对比度高不高？这时候，直方图就派上用场了。

说白了，直方图就是图像的「统计报告」。它不关心像素在哪儿，只关心每个灰度值出现了多少次。我刚开始做图像处理时，总觉得直方图这玩意儿太简单，不就是个柱状图嘛。后来真上手调算法才发现——不懂直方图，你连图像质量都说不清楚。

2.1 直方图与图像的关系：一一对应，但不是唯一对应

先给个准确定义：对于一幅灰度图像，灰度级范围是 [0, L-1]，直方图就是一个离散函数：

h(r_k) = n_k

其中 r_k 是第 k 个灰度级，n_k 是图像中灰度级为 r_k 的像素个数。

举个例子，一张 4×4 的 8 位灰度图：

像素值	50	50	100	100
	50	50	100	100
	150	150	200	200
	150	150	200	200

它的直方图就是：

灰度 50  → 4 个像素
灰度 100 → 4 个像素
灰度 150 → 4 个像素
灰度 200 → 4 个像素

这里有个关键点：直方图丢失了空间位置信息。你把上面 16 个像素随便打乱位置，直方图完全一样。所以直方图是「图像的一种统计特征」，不是「图像的完整描述」。

我在项目中遇到过一件事：有同事拿直方图匹配来做图像检索，结果两张完全不同的图（一张是星空，一张是雪地）因为直方图相似被判定为「同一类」。嗯，这就是吃了「丢失空间信息」的亏。

2.2 直方图的可叠加性：分块统计的利器

直方图有一个非常实用的性质——可叠加性。什么意思？

如果你把一张图像切成上下两半，分别统计直方图，然后把两个直方图对应灰度级的频数相加，得到的结果和整张图的直方图一模一样。

数学表达很简单：

h_total(r_k) = h_1(r_k) + h_2(r_k) + ... + h_N(r_k)

这个性质有什么用？我举两个实际场景：

• 分块处理：大图处理时内存不够，可以分块统计直方图，最后叠加。我做过一个 4K 视频的实时直方图均衡，就是这么干的。
• 局部增强：你想对图像的不同区域做不同处理，先分块统计直方图，再按需叠加或加权，灵活得很。

你想想看，如果直方图没有可叠加性，那很多并行加速的算法根本没法做。这个性质让直方图成了图像处理里少有的「可分解」特征。

2.3 直方图与对比度：一眼看出图像质量

对比度，说白了就是图像中明暗差异的程度。直方图能非常直观地反映对比度高低。

我总结了一个经验法则，你可以直接拿来用：

直方图形态	对比度	图像表现
集中在窄区间（如 100~120）	低对比度	灰蒙蒙，细节看不清
均匀分布在整个灰度范围	高对比度	层次分明，细节丰富
集中在低灰度区（如 0~50）	偏暗	曝光不足，暗部细节丢失
集中在高灰度区（如 200~255）	偏亮	曝光过度，亮部细节丢失
双峰或多峰分布	局部对比度强	可能有明显的前景/背景分离

我曾经接手过一个医疗影像项目，CT 图像总是灰蒙蒙的。一看直方图，所有像素挤在 80~120 之间。这就是典型的低对比度。后来做了直方图均衡化，把分布拉开到 0~255，图像瞬间清晰了。放射科医生反馈说「能多看到两处病灶」。

这里我画了一张图，帮你把直方图与图像的关系理清楚：

总结一下这一节的核心：

• 直方图是图像的统计指纹——唯一但不完整，丢了空间信息。
• 可叠加性让直方图可以分块计算——这是工程优化的基础。
• 直方图的分布形态直接告诉你对比度高低——窄则低，宽则高，偏则暗/亮。

嗯，这些性质看起来简单，但它们是后面所有直方图处理算法的根基。你把这些吃透了，后面学均衡化和规定化就会轻松很多。