做图像处理这几年，我一直觉得有个东西最容易被新手低估，但恰恰又是最值得先吃透的——灰度直方图和点运算。很多人一上来就抱着卷积、滤波、特征提取猛啃，结果看了一堆公式还是云里雾里，反而是这两个基础工具，能帮你在几分钟内直观地判断一张图的亮度分布、对比度高低，甚至直接决定后面该选哪种增强方案。这篇文章我就结合自己实际调试图像时积累的经验，把灰度直方图的统计原理、点运算的设计思路、几种典型灰度变换的实现方法，以及直方图均衡化从手写代码到工程应用的完整链路拆开讲一遍。内容偏实操，但每个关键步骤我都会解释背后的逻辑，保证你读完之后不仅能跑代码，还能明白为什么这么写。
1. 灰度直方图：先学会看懂图像的“体检报告”
1.1 直方图是什么，怎么一步步算出来
灰度直方图本质上就是一张统计表：对一张灰度图像，遍历所有像素点，统计每一个灰度值（从0到255）分别出现了多少次。横轴是灰度级，纵轴是该灰度级对应的像素数量或出现概率，画出来就是一根根高低不一的柱子，连成包络线就成了我们常见的直方图曲线。
我在实际项目里最喜欢用一张很朴素的灰度图来演示这个过程。假设图像尺寸是宽640、高480，总像素数是640乘以480，也就是307200个。如果灰度值128的像素出现了15360个，那128这个柱子的高度就是15360，或者说它占全图的比例是15360除以307200，约等于0.05。这个比例就是该灰度级的“出现频率”或“概率估计”。
代码层面其实不需要真的写双重循环去数像素，直接用现成的统计函数效率高得多。以Python生态为例，用NumPy的bincount或者histogram几行就能搞定：
import numpy as np gray_img = np.array([[0, 1, 1, 2], [2, 2, 3, 3], [3, 4, 4, 5]], dtype=np.uint8) # 统计每个灰度级出现的次数 hist = np.bincount(gray_img.ravel(), minlength=256) print(hist) # 下标就是灰度值，值就是像素个数这里ravel()把二维数组展平成一维，bincount会直接按下标范围统计每个值的出现次数。minlength=256是为了确保输出长度固定为256，哪怕某些灰度级一个像素都没有，也会补上0。这个细节很重要，很多新手直接统计后会忘记补齐尾部零值，导致后面画图时横轴不完整。
如果希望得到归一化直方图，也就是每个灰度级的概率值，只需要再除以总像素数：
total = gray_img.size hist_norm = hist / total归一化后的直方图可以直接看成概率分布，后续做直方图匹配、均衡化推导时，用的都是这个形式，而不是原始计数。
1.2 通过直方图形状快速诊断图像质量
直方图不是画着好看的，它最实用的价值在于“一眼看穿”图像当前的状态。我平时拿到一张图，第一件事不是肉眼看像素，而是先看直方图分布，因为视觉感受会被屏幕色温、Gamma、显示环境干扰，但直方图是客观数据。
典型情况有四种：
- 整体偏暗：直方图主体集中在横轴左侧，比如0到80之间，右侧大段空白。说明图像欠曝光，暗部细节居多，这时候需要用对数变换或幂次变换把暗部灰度拉开。
- 整体偏亮：直方图集中在右侧，比如180到255之间，说明过曝光，亮部信息占主导，考虑反转或压暗类操作。
- 对比度不足：直方图集中在中间某个窄小区间，比如80到140，左右两端几乎没有像素。这种图像看起来灰蒙蒙的，像隔着一层雾，这时候灰度拉伸和直方图均衡化效果最明显。
- 对比度充沛：直方图在0到255范围内都有分布，且相对平坦，说明明暗层次丰富，通常不需要额外增强。
还有一种常见形态是双峰直方图，也就是分布明显两个高峰，中间有个低谷。这种情况经常出现在背景和前景分离度较高的图像里，低谷位置往往可以作为阈值分割的天然候选值。
我印象比较深的一次调图经历：有一批工业检测图片，肉眼在显示器上看觉得还好，但直方图一拉出来就发现灰度全挤在90到130之间，标准偏差不到15。后来我用线性拉伸把灰度范围铺开到25到220，对比度立刻上来，后面做边缘检测的效果也好了很多。所以我的习惯是：任何图像预处理之前，项目里必先留一段直方图可视化代码，调试效率提升不是一点半点。
1.3 直方图容易被忽略的三个性质
直方图有三个性质，平时教科书提得少，但实战中非常关键：
第一，直方图丢失了空间位置信息。它只统计灰度值出现的次数，完全不记录每个像素在图像中出现在哪里。完全不同的两张图可以有完全相同的直方图，比如一张是黑底白点，一张是均匀分布的噪声，只要灰度统计一致，直方图就长得一样。这意味着直方图适合评估全局灰度分布，但绝不能用来判断图像“内容”或结构是否相似。
第二，直方图具有可加性。如果把一张图分成上下两个区域，两个子区域的直方图逐灰度级相加，结果就是整张图的直方图。这个性质在做局部增强或区域分析时非常有用，比如我先统计整图的直方图，再统计感兴趣区域的直方图，两者相减就能近似得到背景区域分布，辅助背景抑制。
第三，直方图与点运算存在确定关系。对图像做点运算后，新直方图可以通过原直方图和映射函数推算出来，虽然实践里我们一般不这么算（直接用查找表映射像素更简单），但这个关系是理解灰度变换理论的基础。比如做了幂次变换之后，原直方图左侧的“堆积”会被拉伸开，右侧的高亮区会被压缩，这种分布变化在直方图上看得特别清楚。
2. 点运算的设计思路：理解灰度映射，才算理解图像增强
2.1 点运算的本质：一个映射函数搞定一切
点运算（Point Operation）是数字图像处理里最朴素的一类操作：输出图像某个像素的灰度值，只取决于输入图像同一个位置的灰度值，跟它四周的邻居没有任何关系。用公式表示就是：
s = T(r)其中r是输入像素灰度，s是输出像素灰度，T就是灰度映射函数。因为每个像素独立处理，不涉及邻域窗口，所以点运算天然支持并行，也特别适合用查找表加速。
很多初学者容易把点运算和滤波搞混，其实是完全不同的两个层级。点运算处理的是“灰度值的映射”，不改像素位置，不聚合邻域信息；而滤波是“邻域运算”，比如均值滤波、高斯滤波，每个输出像素要参考周围一圈像素的加权组合。你可以把点运算理解成对每个像素执行一个“一对一”的公式，而滤波是“多对一”的聚合。搞清楚这条分界线，后面学卷积、边缘检测时会顺畅很多。
在实际工程里，点运算最常见的用途就是图像增强：改善对比度、调整亮度、突出感兴趣灰度区间、压制背景干扰。它虽然简单，但往往是预处理环节里性价比最高的一步，有时几个点变换组合下来，直接就能省掉后续复杂算法。
2.2 查找表（LUT）：为什么灰度变换要预计算256个映射值
点运算理论上要对每个像素实时计算一次映射函数。图像大了以后，比如500万像素的图，如果映射函数是复杂的对数、幂次运算，实时计算的开销并不小。更聪明的做法是：因为输入灰度只有256种可能（8位深图像），那我们干脆把函数值先算好，存进一个长度为256的数组，也就是查找表（Look-Up Table，LUT）。真正处理图像时，每个像素只需要查表取值，一次简单访存，速度飞快。
def build_lut(func): # func接收0~255的整数灰度，返回映射后的灰度值 lut = np.zeros(256, dtype=np.float32) for r in range(256): lut[r] = func(r) return lut def apply_lut(gray_img, lut): # 查表：把图像灰度值作为下标，取lut中对应的值 return lut[gray_img]这段代码的关键在于lut[gray_img]。NumPy的花式索引会把gray_img里的每个灰度值当下标，自动找到LUT里对应的映射结果。整个图50万像素，一行代码就完成了查表映射，效率极高。我在实际项目中做实时性要求较高的预处理时，基本都是先构建LUT再查表，很少逐像素调用Python循环，性能差距能到几十倍甚至上百倍。
2.3 反转、对数、幂次：三个最常用的灰度变换怎么选
点运算的映射函数花样很多，但工程上用得出彩的主要就是三类。
图像反转，公式是T(r) = 255 - r。它生成原图的“底片”效果：原本暗的地方变亮，亮的地方变暗。这个操作在医学影像观察、检测暗部细节时非常实用。比如一张X光片里血管区域是暗的，肉眼看不清细节，反转之后血管变成亮色，细节对比度在视觉上会舒服很多。代码实现就是255 - gray_img，但要注意提前转成浮点数或者用无符号整型安全处理，后面我会在避坑章节细说。
对数变换，公式是T(r) = c * log(1 + r)。对数函数的特点是低灰度区域斜率大、高灰度区域斜率小，所以它天然会拉伸暗部的灰度差、压缩亮部的灰度差。做傅里叶变换之后看到的频谱图就是典型应用：中心亮度极高、周围细节极暗，直接显示根本看不到细节，用对数变换把动态范围压缩到人眼可感知范围，周围结构就清晰了。想放大暗部细节就选对数变换，这是它的核心优势。
幂次变换，公式是T(r) = c * r^γ。这是“万金油”型变换，因为不同γ值会产生完全不同的效果。γ小于1时，函数曲线整体上凸，暗部被拉伸、细节变得明显，跟对数变换类似但更柔和；γ大于1时，曲线下凹，亮部被提亮、暗部被压得更暗，适合处理过亮的图像。显示器上的伽马校正、相机拍摄时的亮度曲线调整，底层原理都是这个。实战中我会用γ=0.5左右来提亮暗部细节，用γ=1.5~2.0来压制过曝区域。实现时为了兼容标准灰度范围，通常会先把灰度归一化到[0,1]，做完幂运算再乘回255。
这三类变换的选择经验是：先看直方图，再定方案。直方图集中在暗侧，优先考虑幂次变换或对数变换；直方图集中在亮侧，优先考虑反转或高γ幂次；直方图灰度范围窄但分布还算均匀，直接线性拉伸或均衡化更对症。
3. 从理论到代码：灰度直方图与点运算的完整Python实作
3.1 环境准备、图像加载和直方图可视化
这一节我把整套实操流程摆出来，你可以直接复制跑通。开发环境建议用Python 3.9+，装三个包就行：numpy、matplotlib、opencv-python。如果机器上没有装OpenCV，也可以用Pillow替代读取图像，但OpenCV的cv2.cvtColor做灰度转换特别顺手，而且自带均衡化函数，方便后面对比验证。
pip install numpy matplotlib opencv-python准备一张灰度测试图。没有现成图的话，可以用cv2.imread直接读一张彩色图，再转成灰度：
import cv2 import numpy as np import matplotlib.pyplot as plt img_bgr = cv2.imread("test.jpg") img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)这里有个非常容易踩的坑：OpenCV的imread读进来是BGR顺序，不是RGB顺序，直接拿去显示颜色会偏。虽然转灰度不涉及通道顺序，但如果你后面要处理彩色图像、分别对三个通道做点运算再合并，就必须记得先转成RGB或者直接用cv2.cvtColor处理。
然后画直方图。我习惯用plt.plot画曲线而不是plt.bar画柱子，因为点运算之后对比多个直方图时，曲线叠加在一起更清晰：
hist = cv2.calcHist([img_gray], [0], None, [256], [0, 256]) plt.figure(figsize=(10, 4)) plt.plot(hist, color='black') plt.title("Grayscale Histogram") plt.xlabel("Grayscale value") plt.ylabel("Pixel count") plt.xlim([0, 255]) plt.grid(True) plt.show()cv2.calcHist返回的形状是(256, 1)，所以plt.plot(hist)会把第一列画成曲线。这里注意np.bincount和cv2.calcHist的结果本质上是一样的，只是后者返回二维数组，用的时候心里有数就行。
3.2 图像反转、对数变换与幂次变换的代码实现
拿到灰度图之后，先把三个基础点运算都实现一遍，顺便看它们在直方图上留下的痕迹。
图像反转最简单：
# 用LUT方式 lut_invert = build_lut(lambda r: 255 - r) img_invert = apply_lut(img_gray, lut_invert) # 或者直接用NumPy img_invert = 255 - img_gray注意build_lut里func接收的是整数灰度值，返回浮点值也能直接存进LUT。但如果LUT是float32类型，查表得到的输出也是浮点型，写文件前需要astype(np.uint8)转回去。
对数变换注意加1，避免对0取对数：
c = 255 / np.log(1 + 255) # 让最大灰度255映射到接近255 lut_log = build_lut(lambda r: c * np.log(1 + r)) img_log = apply_lut(img_gray, lut_log).astype(np.uint8)这里c的计算很关键。如果不乘系数，对数变换的输出范围根本不是0到255，而是小得多，图像会整体很暗。把1 + 255代入，当r=255时输出恰好是255，这样既保留对数变换“压暗亮部、提亮暗部”的特性，又能把输出范围铺满。
幂次变换也一样，先归一化再做幂运算：
gamma = 0.5 lut_gamma = build_lut(lambda r: 255 * ((r / 255) ** gamma)) img_gamma = apply_lut(img_gray, lut_gamma).astype(np.uint8)这里我用r / 255把灰度归一化到0~1，再做幂运算，最后乘回255。这样写的好处是gamma参数的含义更直观：小于1提亮暗部，大于1压暗暗部。如果直接在0~255范围做r ** gamma，结果会被缩放得乱七八糟，这也是新手最容易犯的错误。
3.3 自动灰度拉伸：从min-max到百分位截断
灰度拉伸（也叫对比度拉伸）是对线性变换S = a * R + b的一种自动化实现。核心思路是把图像灰度范围从原来的[min, max]线性映射到[0, 255]，公式是：
s = (r - min) * 255 / (max - min)初版写出来很简单：
min_val = img_gray.min() max_val = img_gray.max() img_stretch = (img_gray - min_val) * 255 / (max_val - min_val) img_stretch = img_stretch.astype(np.uint8)这个处理对低对比度图像效果立竿见影，但它有个很现实的问题：灰度统计里的极端离群点会“绑架”整个拉伸。比如一大片正常图像里偏偏有几个像素是纯白或纯黑（可能是传感器坏点、灰尘、高光噪声），min和max就会被拉到0和255，原本该拉伸的灰度区间反而被压缩了。
我的解决思路是改用百分位截断：先统计直方图，找到累积概率稳定超过某个阈值（比如2%和98%）的灰度值作为拉伸下限和上限，把这两个值之外的范围裁掉再拉伸。做法很简单：
def percentile_stretch(img, low_perc=2, high_perc=98): hist = cv2.calcHist([img], [0], None, [256], [0, 256]).ravel() cdf = np.cumsum(hist) / img.size low_val = np.searchsorted(cdf, low_perc / 100.0) high_val = np.searchsorted(cdf, high_perc / 100.0) stretched = (img - low_val) * 255 / (high_val - low_val) return np.clip(stretched, 0, 255).astype(np.uint8)np.searchsorted(cdf, low_perc / 100.0)会找到累加概率首次超过2%的那个灰度级，作为裁剪下限。低于下限的像素映射成0，高于上限的映射成255，中间的线性拉伸。这个技巧我在实际项目里几乎成了标配，尤其处理户外复杂光照的图片时，效果比单纯min-max稳很多。
3.4 为什么不该在彩色图像上直接逐通道点运算
有人拿到彩图会直接对RGB三个通道分别做点运算，比如每个通道都做个线性拉伸，然后合并回彩色图。大多数情况下结果都很糟糕，因为三个通道的拉伸参数是独立计算的，原始的颜色比例关系被破坏，色偏会非常严重。更稳妥的方法是先把RGB转换到HSV或YCbCr颜色空间，只对亮度通道（V或Y）做点运算，色度和饱和度保持不变，处理完再转换回RGB。
以HSV空间为例，V通道其实就是每个像素的“明度值”，对它做灰度拉伸或均衡化只会改变明暗分布，不影响色相和饱和度，观感自然很多：
hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV) h, s, v = cv2.split(hsv) # 只对V通道做灰度拉伸 v_stretch = percentile_stretch(v) hsv_stretched = cv2.merge([h, s, v_stretch]) img_result = cv2.cvtColor(hsv_stretched, cv2.COLOR_HSV2BGR)这个“只动亮度、不动色彩”的原则，在图像增强里几乎是一条铁律。除非你刻意追求某种艺术风格，否则不要对RGB分量独立做灰度变换。
4. 直方图均衡化：从“看懂”到“改造”
4.1 均衡化为什么有效：累积分布函数是核心
直方图均衡化是最有名的一种点运算，目标不是简单地拉伸某个区间，而是让输出图像的灰度直方图尽可能平坦。道理很简单：直方图越平，说明每个灰度级的像素数量越接近，图像灰度层次越丰富，对比度自然就高。
实现的关键是累积分布函数（CDF）。以灰度级k为例，均衡化映射公式是：
s_k = floor( (L - 1) * sum_{j=0}^{k} p_r(r_j) )其中L是灰度级总数（8位图就是256），p_r(r_j)是灰度级j出现的概率。括号里的求和就是从0到k的累计概率，乘上L - 1再取整，就是映射目标灰度。
为什么这个公式有效？可以这样直观理解：如果灰度值r=50的累计概率是0.2，那么均衡化后它会被映射到大约255 * 0.2 = 51；如果灰度值r=200的累计概率是0.95，它会被映射到约242。原本密集分布在中间灰度区间的像素，会被“撑开”到更宽的灰度范围，对比度自然提升了。
我建议你把这个映射过程用手写代码实现一遍，因为理解了CDF映射，就理解了整个算法本身，也更容易判断后面结果不好的原因。
4.2 手写均衡化与OpenCV实现对比
手写均衡化完整代码如下：
def equalize_hist_manual(gray_img): hist = cv2.calcHist([gray_img], [0], None, [256], [0, 256]).ravel() cdf = np.cumsum(hist) / gray_img.size lut = np.round(cdf * 255).astype(np.uint8) return lut[gray_img] img_manual_eq = equalize_hist_manual(img_gray)OpenCV自带的cv2.equalizeHist功能一致：
img_cv_eq = cv2.equalizeHist(img_gray)两条路径结果几乎完全一样。我在调试时喜欢同时保留两个版本，手写版本用作原理验证和自定义改进，OpenCV版本用作最终工程部署，因为它内部处理了各种边界条件和加速优化。
下面这段代码可以把原图、手写均衡化结果、以及各自的直方图放在一起对比，直观感受均衡化的威力：
plt.figure(figsize=(12, 8)) plt.subplot(2, 2, 1) plt.imshow(img_gray, cmap='gray') plt.title("Original") plt.subplot(2, 2, 2) plt.imshow(img_manual_eq, cmap='gray') plt.title("After Equalization") plt.subplot(2, 2, 3) plt.hist(img_gray.ravel(), bins=256, range=(0, 256), color='gray') plt.title("Original Histogram") plt.subplot(2, 2, 4) plt.hist(img_manual_eq.ravel(), bins=256, range=(0, 256), color='gray') plt.title("Equalized Histogram") plt.tight_layout() plt.show()实操中你会发现，均衡化后的直方图并不是教科书图片里那种绝对水平的直线，而是一根根高度相近的柱子，这是离散化取整导致的正常现象。灰度级越少、图片越小，离散化带来的“不平坦”就越明显，不必担心。
4.3 全局均衡化的问题与更克制的改进思路
全额直方图均衡化不是万能药，它有一个很大的毛病—打着“全局”的旗号，对整幅图像一视同仁。在光照不均的图片里，亮区和暗区混合在一起，全局均衡化会把暗区背景硬抬高、亮区细节压暗，结果产生严重的过曝或伪影。
我在一次拍照补光不均匀的素材处理里就吃过亏：图像左侧明显偏暗、右侧正常，全局均衡化后左侧确实变亮了，但噪声也被放大了，天空部分出现一层层色阶断层，看起来非常“脏”。
改进思路有两个方向。一个是前面强调过的灰度拉伸配合百分位截断，它保留了线性映射的单调性，不容易产生伪影，控制参数直观。另一个是自适应直方图均衡化（CLAHE），它把图像分成很多小区域，每个区域单独做均衡化，同时用裁剪限制对比度放大倍数，避免局部过增强。OpenCV里已经有现成接口：
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) img_clahe = clahe.apply(img_gray)clipLimit越大，局部对比度增强越强，但越容易出现噪声；tileGridSize控制分块大小，块越小，局部适应能力越强，但也有可能把一块均匀区域分割出差异。我的经验是clipLimit从1.5到3.0之间多试几个值，别一上来就用默认值。
至于彩色图的均衡化，同样遵循上一节的原则：先转到HSV或YCbCr空间，只对亮度通道均衡化，再转回RGB。如果直接对RGB三个通道分别均衡，色偏会非常厉害，我看过不少新手在这个地方翻车。
5. 常见问题与避坑实录
5.1 uint8溢出、dtype和归一化：新手最容易踩的三个坑
点运算的代码看起来很简单，实际跑起来却经常出现各种“看起来没报错但结果完全不对”的情况，根源几乎都集中在数据类型问题上。
第一个坑是uint8溢出。np.uint8的取值范围是0到255，如果直接做img_gray + 50这种加法，超过255的值会从0重新开始计数，而不是“封顶”到255。举个例子：灰度是250的像素加50，uint8下结果是(250 + 50) % 256 = 44，图像瞬间变得花白斑驳。处理方法是先转成float32或int32运算，最后再np.clip(0, 255).astype(np.uint8)。
第二个坑是归一化时机。做幂次变换、对数变换这类非线性运算前，灰度必须先归一化到[0, 1]范围，否则指数或对数运算的数值范围会飞。取对数时灰度0会得到负无穷，幂次时超大数值会直接溢出浮点精度。我的习惯是：所有点运算都在float32下完成，只有最后输出文件时才转回uint8。
第三个坑是可视化时cmap忘记设置。plt.imshow(img_gray)如果不指定cmap='gray'，Matplotlib默认用彩色映射显示，灰度图会呈现紫绿色伪影，很多人以为是自己代码写错了，其实是显示参数问题。
下面是一个安全处理模板，建议直接保存成工具函数：
def safe_apply(img, mapper): img_float = img.astype(np.float32) out = mapper(img_float) out = np.clip(out, 0, 255) return out.astype(np.uint8)只要输入是灰度图，任何点运算都用这个模板包一层，基本能规避大部分dtype问题。
5.2 直方图统计的边界细节和加速方法
用np.bincount时有个细节需要注意：如果图像里有值大于255，bincount会自动扩展输出长度，导致结果维度不是256。虽然8位灰度图不会出现这种情况，但如果你之前做过一些自定义处理、图像变成了其他位深，统计结果就会“变异”，画图时横轴对不上。保险起见，统计前用np.clip(img, 0, 255)强制约束范围。
另外，当图像尺寸特别大时，直方图统计也未必都要全图扫描。实际项目中如果只是观察灰度分布趋势或做自动曝光参考，可以对图像先做缩放，比如缩放到1/4面积再统计，结果精度差别很小，但耗时能降一个量级。我处理超高清素材时用的就是这个方式。
还有一个小技巧：直方图可视化时说“柱子高度”，很多人直接用像素计数来画，但不同尺寸的图之间就没法对比。要跨图比较，统一用归一化频率（概率）更合理。我习惯在绘图时直接除以总像素数，让纵轴变成0到1之间的比例。
5.3 点运算结果“过头”怎么办：限幅与混合
点运算很容易增强过度。比如对数变换能把暗部细节拉得很清楚，但代价是整体发灰发白，亮部细节丢失；直方图均衡化在某些图里会像“滤镜加过头”，噪声被放大。这时候有两个实战技巧非常实用。
第一个是限幅。线性拉伸或均衡化后，输出灰度可能不是0到255的完整范围，只是把主要区间拉伸开了，相邻灰度级之间的距离变大，视觉上有“锐化感”。这时可以用np.clip把输出限制在例如[10, 245]范围内，牺牲一点点动态范围，换来更平滑的观感。
第二个是与原图混合。增强前后图像做加权相加，可以在“增强程度”和“自然程度”之间找到平衡点：
alpha = 0.7 img_blend = cv2.addWeighted(img_enhanced, alpha, img_gray, 1 - alpha, 0)当alpha接近1时，结果偏向增强图，对比度更明显；当alpha接近0时，结果接近原图，观感自然。我通常在项目里先用alpha=0.6~0.8做一版预览，再根据主观效果微调，比反复改Gamma参数要快得多。
我个人在实际项目里最常遇到的情况是：对一张图做了好几轮灰度拉伸、均衡化，结果细节是出来了，但图像看起来“假”了。这时候最有效的反而是“变朴素”——把增强强度降下来，或者跟原图混合一下，视觉效果往往比一味追求高对比度更好。这算是走了不少弯路之后的一个心得吧。
灰度直方图和点运算这对组合，是图像处理里性价比最高的两个工具。它们不涉及复杂数学，调试起来直观，又能直接承载对比度调整、亮度修正、灰度分布改造这些最频繁的预处理需求。如果你能把直方图的读数能力练出来，把点运算的映射思想吃透，后面再去看滤波、形态学、分割算法，都会轻松很多。下次拿到一张图，先画直方图，再决定做什么点运算，相信我，这个习惯会让你少走很多弯路。
