16位图像经直方图均衡化处理后，像素强度范围是否会改变？

先明确两个关键结论：

1. 16位无符号图像的原生有效像素范围是**[0, 65535]**（而非你提到的[0, 65536]——65536是总灰度级数量，不是最大像素值）；
2. 直方图均衡化处理后，像素强度范围通常会覆盖[0, 65535]的大部分区间，极端情况下会完全填满，但不会超出这个范围。

细节说明 #

• 你的代码中np.histogram用[0, 65536]作为区间是合理的：因为该函数的bins是左闭右开区间，刚好能完整统计0到65535的所有像素值。
• 直方图均衡化的核心是通过累积分布函数（CDF）的映射，让像素分布更均匀：
  • 如果原图像的像素值未覆盖全[0, 65535]，均衡化会拉伸像素分布，尽可能填满整个可用区间；但如果原图像存在完全未出现的强度值，均衡化后也可能不会生成这些值（不过通常会覆盖绝大多数区间）。
  • 如果原图像已经覆盖了全范围像素值，均衡化后范围依然是[0, 65535]，仅像素分布变得更均匀。
• 数据类型注意：若处理后用uint16存储，像素值会被自动钳位在[0, 65535]；若用浮点型计算，可能出现临时超出范围的值，但转存为16位图像时仍会被限制在该区间内。

完整均衡化示例代码 #

import numpy as np

# 假设img是uint16类型的16位输入图像
img = img.astype(np.float64)  # 转为浮点型避免计算溢出
hist, bins = np.histogram(img.flatten(), 65536, [0, 65536])
cdf = hist.cumsum()  # 计算累积分布函数
cdf_normalized = cdf * (65535 / cdf[-1])  # 将CDF归一化到[0, 65535]区间

# 执行均衡化映射并恢复图像形状
img_equalized = np.interp(img.flatten(), bins[:-1], cdf_normalized).reshape(img.shape)
img_equalized = img_equalized.astype(np.uint16)  # 转回16位无符号整数

# 验证处理后的像素范围
print(f"均衡化后像素强度范围：[{img_equalized.min()}, {img_equalized.max()}]")

内容的提问来源于stack exchange，提问作者maximus