📚 课程目录第4章直方图与图像质量

4、直方图与图像质量：如何通过直方图判断图像过暗、过亮、对比度低

拿到一张遥感影像，第一眼看的什么？

我个人的习惯，不是先看图像本身，而是先拉一下它的直方图。为什么？因为人眼会骗人，但像素的统计分布不会。一张图看着挺亮，可能暗部细节全丢了；看着灰蒙蒙的，也许信息量反而很丰富。直方图就是图像的「体检报告」，过暗、过亮、对比度低，全写在上面。

先说说什么是「健康」的直方图。一张曝光合理、对比度适中的遥感图像，它的直方图应该是什么样的？

说白了，就是直方图「铺得开、走得匀」。我在处理高分二号的城市影像时，经常拿这个标准去卡——如果直方图两头都顶到边了，中间还有起伏，那这张图的质量基本没问题。

健康直方图特征速查

过暗图像，也叫低照度图像。它的直方图长什么样？

像素值集中在左侧，也就是低灰度区域。大部分像素的 DN 值在 0~50 之间，右侧高亮区域几乎没像素。你想想看，整张图看起来黑乎乎的，像蒙了一层灰布。

我在项目中遇到过一件事。有一次处理山区阴影区域的 WorldView-3 数据，直方图峰值压在 DN=15 的位置，右侧到 DN=80 就没了。肉眼看去，山沟里的植被和土壤根本分不清。这就是典型的过暗——动态范围被压缩在暗部，信息挤在一起，人眼分辨不出来。

判断指标：如果直方图主体（90% 像素）集中在 0~64 区间，且右侧 192~255 区间像素占比 < 1%，基本可以判定为过暗。

过暗图像的问题不只是「看不清楚」。更严重的是，暗部噪声会被放大。我曾经做过一个实验：对一张过暗的 Landsat 8 影像做线性拉伸，结果暗部的传感器噪声也跟着被放大了，图像出现明显的条带。所以，遇到过暗图像，别急着拉伸，先看看噪声水平。

过亮图像正好反过来。直方图像素值集中在右侧，大部分 DN 值在 200~255 之间。图像看起来白花花一片，像曝光过度。

这种情况在雪地、沙漠、云层覆盖的区域很常见。我记得有一次处理青藏高原的积雪影像，直方图峰值直接顶在 DN=255 的位置，而且有一个很长的「拖尾」——大量像素被截断在 255，说明已经饱和了。

饱和问题：当直方图在 255 处出现一个陡峭的尖峰，说明大量像素被「截断」。这些区域的真实辐射信息已经丢失，后期再怎么处理也恢复不了。这是硬件层面的损失，不可逆。

过亮图像的处理难点在于：你不能简单地把亮度压下来，因为饱和区的信息已经没了。我建议的做法是，先检查直方图右侧是否有「悬崖式」截断。如果有，那这部分区域只能当作无效区域处理，或者用其他时相的数据补充。

低对比度图像，是遥感影像里最常见的质量问题。它的直方图特征是：像素值集中在一个狭窄的区间内，不管这个区间是在暗部、亮部还是中间。

举个例子：一张雾霾天气下的 SPOT 影像，直方图可能集中在 DN=80~120 之间，左右两边都是空的。图像看起来灰蒙蒙的，像隔了一层毛玻璃。地物的边界模糊，纹理细节丢失。

我把它分成三种情况：

类型	直方图位置	典型场景	处理难度
暗部窄分布	集中在 0~50	阴影、夜间、浓密植被	中等（噪声放大风险）
亮部窄分布	集中在 200~255	雪地、沙漠、云层	高（饱和风险）
中部窄分布	集中在 64~192	雾霾、薄云、大气散射严重	低（拉伸效果好）

中部窄分布其实是最「好救」的。因为信息没有丢失，只是被压缩了。做一次直方图均衡化或者线性拉伸，效果立竿见影。但暗部和亮部的窄分布，处理起来就要小心了——前者怕噪声，后者怕饱和。

下面这张 SVG 图，是我在实际项目中总结的判断流程。拿到一张影像，按这个顺序走一遍，基本能定位问题。

光说理论不够。我拿三个真实案例来对比，你一看就明白。

案例	直方图特征	肉眼效果	处理建议
案例A：山区阴影	峰值在 DN=20，90% 像素在 0~60	图像极暗，细节不可辨	先做去噪，再做直方图均衡化
案例B：雪地影像	峰值在 DN=250，DN=255 处有截断尖峰	图像过亮，雪地纹理丢失	检查饱和区域，考虑多时相融合
案例C：雾霾城市	集中在 DN=80~140，左右空白	图像灰蒙蒙，边界模糊	线性拉伸或去雾处理，效果显著

案例C是我最喜欢处理的一类。为什么？因为信息没丢，只是被「压缩」了。做一次线性拉伸，把 DN=80~140 映射到 0~255，图像瞬间通透。但案例A和B就麻烦得多——一个要跟噪声做斗争，一个要面对不可恢复的信息损失。

曾经踩过的坑：有一次我处理案例A类型的影像，直接做了直方图均衡化。结果暗部噪声被放大，图像出现明显的「颗粒感」。后来我学乖了，先做了一轮中值滤波去噪，再做均衡化，效果好了很多。记住：过暗图像的处理，去噪要走在增强前面。

最后，给你一个我在项目里用的自查清单。拿到一张影像，按这个顺序检查，5 分钟就能判断出图像质量。