4. 单波段灰度图像可视化：直方图统计、线性拉伸、百分比截断拉伸、标准差拉伸
做遥感这行十几年了，我始终觉得单波段灰度图像的可视化是最基础也最容易被忽视的一环。你想想看，原始遥感影像的DN值（数字量化值）通常都是16位甚至更高位深，直接显示在屏幕上，那画面基本就是一团黑或者一片白，啥也看不出来。说白了，我们需要一套方法，把这些原始数据映射到0-255的显示范围内，让人眼能看出地物的细节和差异。
今天咱们就聊聊四种最常用的灰度图像增强手段：直方图统计、线性拉伸、百分比截断拉伸和标准差拉伸。嗯，这里要注意，这些方法不是互斥的，实际项目中往往是组合使用的。
4.1 直方图统计——先摸清数据的底细
做拉伸之前，我习惯先看一眼直方图。直方图就是统计图像中每个灰度级有多少个像素。它能告诉你数据的分布情况：是集中在低值区（暗），还是高值区（亮），或者分布很均匀。
我在项目中遇到过一件事：某次处理Landsat 8的波段数据，直接做线性拉伸效果很差，后来一看直方图，发现数据集中在5000-6000这个窄区间，但全幅范围是0-65535。这种情况下线性拉伸当然不行，得先做截断。
直方图统计的核心代码其实很简单：
import numpy as np
import matplotlib.pyplot as plt
# 假设img是单波段numpy数组
hist, bins = np.histogram(img.flatten(), bins=256, range=(0, 65535))
plt.bar(bins[:-1], hist, width=256)
plt.title('原始影像直方图')
plt.xlabel('DN值')
plt.ylabel('像素个数')
plt.show()
# 统计关键指标
min_val = np.min(img)
max_val = np.max(img)
mean_val = np.mean(img)
std_val = np.std(img)
print(f'最小值: {min_val}, 最大值: {max_val}')
print(f'均值: {mean_val:.2f}, 标准差: {std_val:.2f}')4.2 线性拉伸——最直接的方法
线性拉伸，说白了就是把原始DN值范围线性映射到0-255。公式很简单：
output = (input - min) / (max - min) * 255
但这里有个坑——如果数据中有极端的异常值（比如传感器坏点、云顶反射极高值），线性拉伸会把大部分有效数据压缩到很小的区间里。我曾经处理过一景有薄云的影像，云顶DN值高达30000，而地面只有2000-4000，线性拉伸后地面几乎全黑，根本没法用。
def linear_stretch(img, min_val=None, max_val=None):
if min_val is None:
min_val = np.min(img)
if max_val is None:
max_val = np.max(img)
# 防止除零
if max_val == min_val:
return np.zeros_like(img, dtype=np.uint8)
stretched = (img.astype(np.float32) - min_val) / (max_val - min_val) * 255
stretched = np.clip(stretched, 0, 255).astype(np.uint8)
return stretched4.3 百分比截断拉伸——去两头，保中间
百分比截断拉伸是我个人最常用的方法。它的思路是：去掉直方图两端一定百分比的像素，只对中间的有效数据做线性拉伸。比如2%-98%截断，就是把小于2%和大于98%的像素值直接设为0和255，中间部分线性映射。
这样做的好处很明显——能有效剔除云、雪、水体等极端值的影响，让主要地物的对比度最大化。
def percent_stretch(img, low_percent=2, high_percent=98):
# 计算截断阈值
low_val = np.percentile(img, low_percent)
high_val = np.percentile(img, high_percent)
# 裁剪并拉伸
clipped = np.clip(img, low_val, high_val)
stretched = (clipped - low_val) / (high_val - low_val) * 255
return stretched.astype(np.uint8)你想想看，2%和98%这两个参数怎么选？我一般会先看直方图分布。如果数据很集中，可以选1%-99%甚至0.5%-99.5%；如果数据分布较散，5%-95%可能更合适。没有固定标准，多试几次就有感觉了。
4.4 标准差拉伸——基于统计的稳健方法
标准差拉伸是另一种稳健的拉伸方式。它假设数据近似正态分布，以均值为中心，取若干倍标准差作为拉伸范围。比如±2σ拉伸，就是把均值±2倍标准差范围内的数据映射到0-255。
这种方法的好处是不需要手动设定百分比，完全基于数据本身的统计特性。对于正态分布的数据，±2σ大约覆盖95%的像素，±3σ覆盖99.7%。
def std_stretch(img, n_std=2):
mean = np.mean(img)
std = np.std(img)
low_val = mean - n_std * std
high_val = mean + n_std * std
clipped = np.clip(img, low_val, high_val)
stretched = (clipped - low_val) / (high_val - low_val) * 255
return stretched.astype(np.uint8)4.5 四种方法对比与选择
为了让你更直观地理解这四种方法的差异，我整理了一个对比表：
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 线性拉伸 | 数据分布均匀，无异常值 | 简单快速，保持原始比例 | 对异常值敏感 |
| 百分比截断拉伸 | 有少量极端值（云、雪、阴影） | 稳健，能突出主要地物 | 需要手动设定百分比 |
| 标准差拉伸 | 数据近似正态分布 | 自动适应数据特性 | 对非正态分布效果差 |
实际项目中，我通常这样选：先看直方图，如果数据分布对称且无异常，用线性拉伸；如果有少量极端值，用百分比截断；如果数据分布接近正态，用标准差拉伸。有时候也会组合使用——先做百分比截断去除极端值，再做线性拉伸增强对比度。
4.6 核心知识体系
下面这张图是我自己总结的，把四种方法的关系和适用场景串起来了：
嗯，到这里四种方法就讲完了。其实做遥感可视化，没有绝对正确的方法，只有最适合当前数据的方法。多动手试试，慢慢你就会有感觉了。
公众号:蓝海资料掘金营，微信deep3321