你遇到的问题核心在于：直接按像素数量缩放频数并没有消除样本量差异带来的分布波动，而且没有从「分布形状对比」的角度去归一化。咱们换个思路，应该把直方图转换为频率或者概率密度，这样不同尺寸的图像就能在同一基准上对比分布了。

问题根源 #

你用的scim.histogram返回的是每个区间的像素频数（即该区间有多少个像素）。100x100的图像总像素是10000，25x25是625，直接把小图像的频数乘16，相当于强行把它的频数拉到大图像的总像素量级，但小样本的随机分布波动本身就比大样本大，所以两条线差异会很明显——这不是缩放的问题，是样本量导致的自然波动，而我们需要的是对比它们的分布形状，不是绝对频数。

解决方案：归一化到频率或概率密度 #

方案1：归一化到频率（每个区间的像素占比） #

把每个区间的频数除以图像的总像素数，得到该区间像素占总像素的比例。这样不管图像尺寸多大，所有直方图的y轴都是0到1之间的比例，直接对比分布形状。

方案2：归一化到概率密度（直方图面积为1） #

如果想更严谨地对比概率分布，可以把频率再除以每个区间的宽度，这样整个直方图下方的总面积为1，完全聚焦于分布的形状特征。

修改后的代码示例 #

import scipy.ndimage as scim
import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(1, 1, 1)  # 只用一个子图对比，更清晰

# 处理100x100的图像
band_large = np.random.uniform(0, 1, size=(100, 100, 1))
total_pixels_large = band_large.size
x_large = np.linspace(band_large.min(), band_large.max(), 50)
y_large = scim.histogram(band_large, band_large.min(), band_large.max(), 50)

# 计算频率
y_large_freq = y_large / total_pixels_large
# 计算概率密度
bin_width = (band_large.max() - band_large.min()) / 50
y_large_density = y_large_freq / bin_width

# 处理25x25的图像
band_small = np.random.uniform(0, 1, size=(25, 25, 1))
total_pixels_small = band_small.size
x_small = np.linspace(band_small.min(), band_small.max(), 50)
y_small = scim.histogram(band_small, band_small.min(), band_small.max(), 50)

# 计算频率
y_small_freq = y_small / total_pixels_small
# 计算概率密度
y_small_density = (y_small / total_pixels_small) / bin_width

# 绘制频率直方图（推荐用来对比）
ax.plot(x_large, y_large_freq, label='100x100 (频率)', linewidth=2)
ax.plot(x_small, y_small_freq, label='25x25 (频率)', linestyle='--', linewidth=2)

# 如果你想看概率密度，注释掉上面两行，打开下面两行
# ax.plot(x_large, y_large_density, label='100x100 (概率密度)', linewidth=2)
# ax.plot(x_small, y_small_density, label='25x25 (概率密度)', linestyle='--', linewidth=2)

ax.set_xlabel('像素值')
ax.set_ylabel('频率/概率密度')
ax.legend()
plt.title('不同尺寸图像的归一化直方图对比')
plt.show()

效果说明 #

• 用频率归一化后，两条线会更贴近，因为它们展示的是「每个像素值区间的像素占比」，不管图像大小，这个比例的分布是可比的。小样本依然会有波动，但这是随机数据的正常现象，你可以尝试生成更多样本（比如把小图像的随机数据重复几次，或者用更大的小图像）来减少波动。
• 概率密度则更适合从统计分布的角度分析，尤其是当你想和理论分布（比如均匀分布）对比时，面积为1的特性会更直观。

内容的提问来源于stack exchange，提问作者Paul Bonnard