4. 直方图与对比度增强：让图像的“脾气”一目了然
各位同学，欢迎来到第四章。
前面我们聊了像素操作、空间滤波，算是把图像的“微观世界”摸了一遍。今天要讲的，是图像的“宏观统计”——直方图。说白了，直方图就是一张图里像素值的分布情况。你想想看，一张图是偏亮还是偏暗，对比度高不高，直方图上一眼就能看出来。
我个人习惯，拿到一张图第一件事就是看它的直方图。这就像医生看病人的血常规报告，很多问题在直方图上一目了然。这一章，我们就来彻底搞懂直方图，以及如何用它来给图像“提神”——也就是对比度增强。
4.1 直方图概念：图像的“人口普查”
直方图，本质上就是一个统计图。横轴是像素值（0-255），纵轴是该像素值出现的次数（或概率）。
举个例子，一张纯黑的图，直方图就只有一根柱子立在0的位置；一张纯白的图，柱子就立在255的位置。一张正常的风景照，直方图通常像一座连绵起伏的山脉，中间高两边低。
核心公式（理解即可）：
对于灰度图，直方图定义为：H(r_k) = n_k，其中 r_k 是第k个灰度级，n_k 是该灰度级的像素个数。
归一化直方图：p(r_k) = n_k / N，N是总像素数。归一化后，纵轴就变成了概率，方便不同尺寸的图像进行比较。
在OpenCV里，计算直方图就一行代码的事。但我建议你，刚开始学的时候，自己用Python写一遍循环，感受一下像素是怎么被“数”出来的。
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取灰度图
img = cv2.imread('example.jpg', 0)
# 方法一：OpenCV 官方函数
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
# 方法二：自己动手算（理解原理）
# hist_manual = np.zeros((256,), dtype=np.int32)
# for pixel in img.flatten():
# hist_manual[pixel] += 1
# 画图
plt.plot(hist)
plt.title('灰度直方图')
plt.xlabel('像素值')
plt.ylabel('频数')
plt.show()小技巧： cv2.calcHist 的参数里，[0] 表示通道索引（灰度图只有1个通道），[256] 表示bin的数目。如果你处理的是彩色图，可以分别计算R、G、B三个通道的直方图。
4.2 直方图均衡化：给图像“拉一把”
什么是直方图均衡化？
想象一下，一张图整体偏暗，它的直方图就都挤在左边。均衡化，就是把这些挤在一起的像素值，像拉手风琴一样，均匀地“拉开”到整个0-255区间。结果就是，暗的地方变亮了，亮的地方可能稍微暗一点，整体对比度大幅提升。
我记得有一次做水下图像增强，拍出来的鱼都是灰蒙蒙的。直方图一看，像素值全挤在50-100之间。用均衡化一处理，鱼的纹理和颜色瞬间就出来了。效果立竿见影。
OpenCV实现非常简单：
# 直方图均衡化
equ = cv2.equalizeHist(img)
# 对比显示
res = np.hstack((img, equ))
cv2.imshow('Original vs Equalized', res)
cv2.waitKey(0)但是，这里有个坑。全局直方图均衡化，它是对整张图做同一个映射。如果图像本身有很亮和很暗的区域，均衡化后，亮区可能会过曝，暗区可能会变成一片死黑。为什么会这样？因为它是全局的，它不会区分“天空”和“地面”。
避坑指南： 我曾经在一个医疗影像项目里，直接用全局均衡化处理X光片。结果骨骼边缘是清楚了，但软组织区域出现了大量噪声和伪影。后来我才意识到，对于这类图像，全局方法太“粗暴”了。这时候，就需要我们的主角——自适应直方图均衡化（CLAHE）登场了。
4.3 自适应直方图均衡化（CLAHE）：精细化的“局部手术”
CLAHE，全称是 Contrast Limited Adaptive Histogram Equalization。名字很长，但核心思想很简单：
- 分块处理： 把图像分成一个个小方块（tile），比如8x8的网格。
- 局部均衡： 对每个小方块单独做直方图均衡化。
- 对比度限制： 这是最关键的一步。它会设定一个阈值，如果某个小方块内的直方图峰值太高（意味着噪声多），就把它“剪掉”，把剪掉的部分均匀分布到其他bin上。这就防止了噪声被过度放大。
- 双线性插值： 为了避免块与块之间出现明显的边界，最后会用插值算法平滑过渡。
你想想看，这就像给图像做“局部手术”，哪里暗就提亮哪里，但又不让噪声“趁虚而入”。
# 创建CLAHE对象
# clipLimit: 对比度限制阈值，默认40。值越大，对比度增强越强。
# tileGridSize: 分块大小，默认(8,8)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
# 应用CLAHE
clahe_img = clahe.apply(img)
# 对比三种效果
res = np.hstack((img, equ, clahe_img))
cv2.imshow('Original | Global Equalization | CLAHE', res)
cv2.waitKey(0)| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 全局直方图均衡化 | 简单、速度快 | 容易过曝、放大噪声 | 整体偏暗或偏亮，且光照均匀的图像 |
| CLAHE | 局部自适应、抑制噪声、效果自然 | 速度稍慢、参数需要调 | 光照不均、医学影像、水下图像、夜间图像 |
调参经验： clipLimit 我一般从2.0开始试。如果图像噪声大，就调小到1.0或0.5；如果希望对比度更强烈，可以调到3.0或4.0。tileGridSize 越大，效果越接近全局均衡化；越小，局部细节越丰富，但计算量也越大。
4.4 直方图比较：判断两张图的“血缘关系”
学会了画直方图，我们还能用它来比较两张图是否相似。这在图像检索、目标跟踪、视频镜头切换检测里非常有用。
OpenCV提供了 cv2.compareHist 函数，支持多种比较方法：
| 方法 | OpenCV常量 | 说明 |
|---|---|---|
| 相关性 (Correlation) | cv2.HISTCMP_CORREL |
值越大越相似（1为完全相似，-1为完全不相似） |
| 卡方 (Chi-Square) | cv2.HISTCMP_CHISQR |
值越小越相似（0为完全相似） |
| 交叉 (Intersection) | cv2.HISTCMP_INTERSECT |
值越大越相似（直接计算重叠部分） |
| 巴氏距离 (Bhattacharyya) | cv2.HISTCMP_BHATTACHARYYA |
值越小越相似（0为完全相似，1为完全不相似） |
我个人最常用的是 巴氏距离，因为它对噪声不敏感，而且结果在0-1之间，非常直观。
# 计算两张图的直方图
hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])
# 归一化（重要！比较前一定要归一化）
hist1 = cv2.normalize(hist1, hist1).flatten()
hist2 = cv2.normalize(hist2, hist2).flatten()
# 比较
d = cv2.compareHist(hist1, hist2, cv2.HISTCMP_BHATTACHARYYA)
print(f'巴氏距离: {d:.4f}') # 越接近0，越相似注意： 比较之前，一定要对直方图进行归一化！否则，两张尺寸不同的图，即使内容一样，直方图的数值也会差很多，比较结果就没有意义了。我曾经在这个细节上吃过亏，排查了半天才发现是归一化的问题。
4.5 本章知识体系图
下面这张图，帮你把本章的核心逻辑串起来：
好了，这一章的内容就是这些。从直方图的概念，到全局均衡化，再到精细的CLAHE，最后是直方图比较。每一步都有它的应用场景和坑。希望你在自己的项目里，能灵活运用这些工具，让图像“开口说话”。