2. 直方图统计特征：均值、方差、偏度、峰度在遥感图像中的解读
直方图不只是个“长相”，它背后藏着四个关键数字——均值、方差、偏度、峰度。这四个统计量，说白了就是图像的“体检报告”。我每次拿到一景遥感影像，第一件事不是盯着看，而是先算这四个数。它们能告诉你图像有没有过曝、信息量够不够、地物类型多不多。
咱们一个一个来拆解。
2.1 均值（Mean）——图像的“亮度基准”
均值就是所有像素亮度的平均值。你想想看，一张图像整体偏亮还是偏暗，均值说了算。
- 物理含义：反映地物的平均反射率或辐射亮度。
- 典型场景：水体均值低（暗），雪地均值高（亮），植被居中。
- 我的经验：如果均值突然比历史同期数据高了20%，我第一反应是——传感器可能出问题了，或者大气校正没做好。
实用技巧：多光谱影像中，近红外波段的均值通常比可见光波段高（植被强反射）。如果反过来，那图像八成有问题。
2.2 方差（Variance）——图像的“信息量”
方差衡量像素值偏离均值的程度。方差大，说明图像里亮暗差异大，地物类型丰富；方差小，图像就“灰蒙蒙一片”，信息量少。
| 方差值 | 图像表现 | 典型场景 |
|---|---|---|
| 小（< 500） | 对比度低，细节模糊 | 浓雾、大面积水体、均匀沙漠 |
| 中等（500–2000） | 对比度适中，细节清晰 | 农田、城市、混合林地 |
| 大（> 2000） | 对比度高，可能有饱和 | 雪地+裸岩、强阴影区域 |
嗯，这里要注意：方差不是越大越好。方差过大往往意味着部分区域过曝或欠曝，信息反而丢失了。
2.3 偏度（Skewness）——直方图的“歪脖子”
偏度描述直方图是否对称。正偏（右偏）意味着大部分像素偏暗，少数像素很亮；负偏（左偏）则相反。
- 偏度 = 0：对称分布，图像亮度均匀。
- 偏度 > 0：直方图右侧拖尾，图像整体偏暗。
- 偏度 < 0：直方图左侧拖尾，图像整体偏亮。
遥感中的解读：
水体影像的偏度通常为正（大面积暗像素+少量亮噪声）。
雪地影像的偏度通常为负（大面积亮像素+少量暗岩石）。
我做过一个项目，用偏度来检测云覆盖——云区的偏度会突然从正变负，因为云把暗地表全盖住了。
水体影像的偏度通常为正（大面积暗像素+少量亮噪声）。
雪地影像的偏度通常为负（大面积亮像素+少量暗岩石）。
我做过一个项目，用偏度来检测云覆盖——云区的偏度会突然从正变负，因为云把暗地表全盖住了。
2.4 峰度（Kurtosis）——直方图的“胖瘦”
峰度衡量直方图分布的“尖锐”程度。峰度大，像素值集中在均值附近；峰度小，像素值分布分散。
- 峰度 > 3（尖峰）：地物类型单一，比如大面积水体、沙漠。
- 峰度 ≈ 3（正态）：地物类型混合均匀。
- 峰度 < 3（平顶）：地物类型多样，亮度层次丰富。
避坑指南：我曾经用峰度判断一幅城市影像的信息量，结果峰度很低，我以为信息丰富。后来才发现——那是传感器噪声太大，把直方图“拉平”了。所以峰度要结合方差一起看，别单看一个数。
2.5 四个统计量的协同解读
单独看一个数意义有限，四个数放一起才能看出门道。我习惯用一张表来快速判断图像质量：
| 均值 | 方差 | 偏度 | 峰度 | 可能的问题 |
|---|---|---|---|---|
| 低 | 小 | 正偏 | 高 | 图像过暗，信息量不足 |
| 高 | 小 | 负偏 | 高 | 图像过亮，细节丢失 |
| 中等 | 大 | 接近0 | 接近3 | 质量良好，适合进一步处理 |
| 中等 | 大 | 正偏 | 低 | 可能有噪声或混合地物 |
2.6 知识体系图：直方图统计特征
下面这张图把四个统计量的关系、计算方式和遥感解读串起来了。你可以把它当作快速参考。
2.7 实战：用Python快速计算四个统计量
理论说完了，咱们上手算一下。下面这段代码用GDAL和NumPy，一行代码算一个统计量。
import gdal
import numpy as np
# 读取单波段影像
ds = gdal.Open('landsat_b4.tif')
band = ds.GetRasterBand(1)
data = band.ReadAsArray().astype(np.float32)
# 计算四个统计量
mean = np.mean(data)
variance = np.var(data)
skewness = np.mean(((data - mean) / np.std(data)) ** 3)
kurtosis = np.mean(((data - mean) / np.std(data)) ** 4)
print(f"均值: {mean:.2f}")
print(f"方差: {variance:.2f}")
print(f"偏度: {skewness:.2f}")
print(f"峰度: {kurtosis:.2f}")
# 快速判断
if abs(skewness) < 0.5 and 2.5 < kurtosis < 3.5:
print("图像分布接近正态，质量良好")
elif skewness > 1:
print("图像偏暗，建议做亮度拉伸")
elif skewness < -1:
print("图像偏亮，注意过曝区域")
我的习惯：我会把这段代码封装成一个函数，每次打开影像先跑一遍。如果偏度值超过1.5，我会直接标记“需要预处理”，不急着往下做分类或变化检测。
2.8 小结
均值、方差、偏度、峰度这四个数，是直方图的“数字指纹”。它们能帮你快速判断图像质量、发现传感器异常、识别地物类型。记住：别只看图像长什么样，先看数字怎么说。