2、图像直方图基础：灰度直方图的定义、直方图的计算方法、直方图的数学表示

好，我们正式开始讲直方图。

说实话，直方图这个概念，在嵌入式视觉里太基础了。基础到什么程度？我面试新人时，第一个问题往往就是：「你给我说说，什么是灰度直方图？」

别小看这个问题。能讲清楚的人，通常对图像理解不会差。

2.1 灰度直方图的定义

灰度直方图，说白了就是一张统计图。

它统计的是：图像中每个灰度级出现了多少次。

举个例子。一张8位深度的灰度图，灰度范围是0到255。直方图就是告诉你：

• 灰度值为0的像素有多少个
• 灰度值为1的像素有多少个
• ……一直到灰度值为255的像素有多少个

嗯，就这么简单。

但简单归简单，它的意义非常大。我在项目中调试摄像头时，第一件事就是看直方图。为什么？因为直方图能直观反映图像的亮度分布、对比度、曝光是否正常。

2.2 直方图的计算方法

计算直方图，其实就是一个计数过程。

你想想看，如果让你手动算一张小图的直方图，你会怎么做？

遍历每个像素，看它的灰度值是多少，然后在对应的计数器上加1。对吧？

计算机也是这么干的。只不过它比你快得多。

我习惯用C语言来实现这个逻辑，因为嵌入式环境里，C是最常见的。下面是一个标准的直方图计算代码：

// 假设图像是8位灰度图，宽width，高height
// hist数组大小为256，初始化为0

void calc_histogram(unsigned char *img, int width, int height, unsigned int *hist) {
    int i;
    int total_pixels = width * height;

    // 清零
    for (i = 0; i < 256; i++) {
        hist[i] = 0;
    }

    // 遍历每个像素，统计灰度值出现次数
    for (i = 0; i < total_pixels; i++) {
        hist[ img[i] ]++;
    }
}

你看，核心就两件事：清零，然后遍历计数。

这里有个细节我要提醒你。我在做嵌入式优化时，发现内存访问模式会影响速度。上面的代码是按顺序访问内存的，缓存友好，效率高。如果你改成随机访问，性能会差很多。

2.3 直方图的数学表示

数学上，直方图可以写成这样：

h(r_k) = n_k

其中：

• r_k 表示第k个灰度级（比如0, 1, 2, ..., 255）
• n_k 表示灰度级为 r_k 的像素个数

有时候我们也会用归一化直方图，也就是把频数转换成概率：

p(r_k) = n_k / N

这里 N 是图像的总像素数。归一化后，所有 p(r_k) 加起来等于1。

为什么要归一化？

因为不同尺寸的图像，直方图的数值范围不一样。归一化后，你就可以比较不同图像的直方图了。我在做图像质量评估时，经常用归一化直方图来对比两张图的亮度分布是否一致。

另外，直方图还可以用累积分布函数（CDF）来表示：

cdf(r_k) = sum_{i=0}^{k} p(r_i)

这个CDF在后面的直方图均衡化中非常关键。嗯，这里先埋个伏笔。

2.4 直方图的直观理解

光讲数学可能有点枯燥。我来说说怎么看直方图。

假设你拿到一张图的直方图：

• 直方图集中在左侧（低灰度值）：图像偏暗，可能曝光不足
• 直方图集中在右侧（高灰度值）：图像偏亮，可能过曝
• 直方图集中在中间，两边很少：图像对比度低，看起来灰蒙蒙的
• 直方图分布均匀，覆盖整个范围：图像对比度高，细节丰富

我曾经在调试一款安防摄像头时，发现夜间图像总是偏暗。一开始以为是传感器问题，后来一看直方图，发现像素全挤在0-30之间。嗯，问题找到了——是增益没调好。调整之后，直方图分布到了0-150，图像明显亮起来了。

2.5 直方图在嵌入式视觉中的意义

在嵌入式平台上，直方图计算非常快。为什么？

因为它的计算量很小。一张VGA图像（640x480），总共30万个像素。遍历一遍，做30万次加法，对现在的MCU来说，几毫秒就搞定了。

而且直方图计算可以硬件加速。很多嵌入式视觉芯片（比如TI的DM系列、NXP的i.MX系列）都内置了直方图统计的硬件模块。你只需要配置一下寄存器，硬件自动算好，你直接读结果就行。

我个人建议：在嵌入式项目中，能用硬件直方图就用硬件。省CPU，省功耗，还快。

好，这一节就到这里。直方图是基础中的基础，但也是后续所有直方图相关算法的基石。下一节我们会讲直方图均衡化，到时候你会看到，今天学的这些数学表示，全都会用上。