MATLAB中imhist函数原理解析及Python等效实现问询

MATLAB imhist 对[0,1]范围double类型输入的处理逻辑 #

当输入是取值在**[0,1]区间的double类型图像**时，imhist默认生成256个统计区间，具体规则如下：

• binLocations（区间中心）：生成256个等距的中心值，范围从1/(2*256)到1 - 1/(2*256)，相邻中心的间隔为1/256。用MATLAB代码表示为：

  binLocations = linspace(1/(2*256), 1 - 1/(2*256), 256);
  

• counts（区间像素计数）：统计每个区间内的像素数量，每个区间的范围是[binLocations(i) - 1/(2*256), binLocations(i) + 1/(2*256))，最后一个区间特殊处理为闭区间（包含1这个值）。

与NumPy histogram 的差异 #

NumPy的np.histogram返回的binLocations是区间边缘，因此256个区间对应257个边缘值；而MATLAB返回的是区间中心，仅256个值。两者的区间划分逻辑一致，只是对bin的表示方式不同，统计得到的counts数值本质是匹配的。

Python中实现与imhist完全一致的功能 #

方法1：基于np.histogram转换 #

利用NumPy的直方图结果，将区间边缘转换为区间中心，即可得到和MATLAB一致的输出：

import numpy as np

# 假设intensity是输入的222x222 double数组，取值范围[0,1]
counts, bin_edges = np.histogram(intensity, bins=256, range=[0, 1])
# 将区间边缘转换为区间中心，对应MATLAB的binLocations
bin_locations = (bin_edges[:-1] + bin_edges[1:]) / 2

此时得到的counts和bin_locations与MATLAB输出完全一致。

方法2：直接实现MATLAB的统计逻辑 #

手动生成区间中心并统计像素，逻辑更贴合MATLAB的imhist：

import numpy as np

# 展平输入数组，方便统计
intensity_flat = intensity.flatten()
num_bins = 256
bin_width = 1 / num_bins

# 生成MATLAB风格的区间中心
bin_locations = np.linspace(bin_width/2, 1 - bin_width/2, num_bins)
# 计算每个像素所属的bin索引
bin_indices = np.floor(intensity_flat / bin_width).astype(int)
# 将等于1的像素归到最后一个bin（避免索引越界）
bin_indices[intensity_flat == 1] = num_bins - 1
# 统计每个bin的像素数量
counts = np.bincount(bin_indices, minlength=num_bins)

内容的提问来源于stack exchange，提问作者KEZIA ANGELINE