图像线性缩放后如何绘制平滑的灰度直方图？

你当前实现的是最大最小值线性灰度归一化（并非直方图均衡化，代码里的标签描述可调整），由于原始输入图像的灰度动态范围较窄，原始有效灰度级数少，拉伸映射到0~255全范围后，大量中间灰度值没有对应像素点，因此直方图会出现离散空隙与尖峰，无法呈现连续曲线形态。

• 调整直方图统计的bin数量
  无需强制使用256个bin逐灰度统计，可将bin数下调到32/64，相邻灰度会合并统计，直接消除离散间隔。修改cv.calcHist参数即可：
  histogram1 = cv.calcHist([img_s.astype('uint8')], [0], None, [64], [0, 256])

• 对原始直方图做滑动均值平滑
  用卷积核处理原始256bin的直方图，消除突变的尖峰与空隙：

  # 5窗口均值平滑，窗口大小可按需调整
  kernel = np.ones(5) / 5
  smoothed_hist = np.convolve(histogram1.flatten(), kernel, mode='same')
  plt.plot(smoothed_hist, label='拉伸后图像（平滑直方图）')
  

• 绘制核密度估计（KDE）连续曲线
  直接基于像素值绘制分布拟合曲线，跳过离散计数环节，效果最接近你预期的连续曲线：

  import seaborn as sns
  # 直接输入拉伸后的图像像素数组
  sns.kdeplot(img_s.flatten(), color='orange', label='拉伸后图像KDE曲线')
  

• 可选：灰度拉伸时加入微小随机扰动
  如果不想修改直方图绘制逻辑，可在灰度拉伸转uint8前加入幅值极小的高斯噪声，不会影响图像观感，但能填补离散的灰度空缺：

  img_s = img_s * 255
  # 加入均值0、标准差0.3的微小噪声
  img_s = img_s + np.random.normal(0, 0.3, img_s.shape)
  img_s = img_s.astype('uint8')
  

原始输入图像：

你当前生成的原始直方图：

内容的提问来源于stack exchange，提问作者Harry Spratt