不知道大家有沒有遇過這種情況。

有時候拍完一張照片，總覺得哪裡怪怪的。

可能整張照片偏暗，也可能亮到天空一片白。

甚至有些照片明明沒有曝光失敗，但就是看起來灰灰的、沒有層次。

其實遇到這個狀況，真正重要的不是「把圖片變亮」，而是先了解這張圖片的亮度到底是怎麼分布的？

而回答這個問題的工具，就是今天要介紹的 Histogram（直方圖）。

Histogram 是什麼？

Histogram 可以理解成：

統計圖片中，每個亮度值出現了多少次。

以灰階圖片來說，每個 Pixel 的亮度介於 0 到 255。

因此 Histogram 的橫軸，就是亮度值。

而縱軸代表的是：

有多少個 Pixel 擁有這個亮度。

所以 Histogram 並不是在畫圖片，而是在畫圖片亮度的分布。

實作：畫出圖片的 Histogram

先讀入一張圖片。

import cv2
import matplotlib.pyplot as plt

img = cv2.imread("dog.jpeg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

接著使用 Matplotlib 畫出 Histogram。

plt.figure(figsize=(8,4))

plt.hist(gray.ravel(), bins=256, range=[0,256])

plt.title("Histogram")
plt.xlabel("Pixel Value")
plt.ylabel("Count")

plt.show()

結果會長得像這樣：

Histogram 要怎麼看？

看到 Histogram 時，第一個要看的問題就是 柱子都集中在哪裡？

例如：

左邊很多

代表圖片大部分都是暗的，通常就是欠曝（Under Exposure）

右邊很多

代表圖片非常亮，通常就是過曝（Over Exposure）

中間很多

代表亮度集中在中間，整體曝光通常比較平均。

分布很廣

如果 Histogram 從左一路分布到右，通常代表：

圖片同時具有暗部與亮部，整體對比也會比較好。

實作：自己做三張圖片比較看看

我們可以故意調整圖片亮度。

dark = cv2.convertScaleAbs(gray, alpha=1, beta=-80)

bright = cv2.convertScaleAbs(gray, alpha=1, beta=80)

接著畫三張 Histogram。

images = [dark, gray, bright]
titles = ["Dark", "Original", "Bright"]

plt.figure(figsize=(12,4))

for i in range(3):

    plt.subplot(1,3,i+1)

    plt.hist(images[i].ravel(), bins=256, range=[0,256])

    plt.title(titles[i])

plt.tight_layout()
plt.show()

這時候就可以很明顯看到：

亮度增加，Histogram 會往右移。

亮度降低，Histogram 則會往左移。

Histogram 可以做什麼？

Histogram 其實是很多影像處理方法的重要基礎。

例如：

• Histogram Equalization（直方圖均衡化）
• 自動曝光
• 對比增強
• 影像品質分析

甚至連後面會介紹的 Otsu 演算法。

也是利用 Histogram 去找最佳 Threshold。

所以 Histogram 不只是觀察工具。

而是很多演算法，本身就是建立在 Histogram 上。

今天總結

今天介紹了 Histogram。

它把圖片所有 Pixel 的亮度分布整理成一張統計圖。

透過 Histogram，我們可以快速知道：

• 圖片是不是太暗。
• 是不是太亮。
• 對比是否足夠。
• 亮度分布是否平均。

後面的很多影像處理技巧，也都會建立在 Histogram 的概念之上。

明天，我們要正式進入數位影像處理最重要的核心之一：

Convolution（卷積）。