（近期有用到灰度直方图的情况，就稍微做了一点点小总结，第一次总结，借鉴了很多博主的文章，下面会码出链接，膜拜大佬~）
1. 图像灰度直方图
灰度直方图是将数字图像中所有像素按灰度值的大小，统计每种像素值出现的频率。

此处以uint8类的图像为例，该类图像具有2^8=256级亮度，不同亮度对应的像素数不同，统计得到256级亮度分别对应的像素数并绘制出直观的图表，其横坐标对应灰度值（0为黑色，255为白色），纵坐标对应每种像素出现的次数。

从图像灰度级的分布可以看出一幅图像的灰度分布特性。例如，图1，2给出的是未经处理的原始图像及其对应灰度直方图：

Fig.1 原始图像



Fig.2 原始图像对应灰度直方图



如下图3，4是以调低亮度的图像（过暗图像）作为输入所对应的灰度直方图：

Fig.3 过暗图像

从图中可以看出，图3的输入图像较暗，因此其像素灰度值大多分布在较暗区域。

Fig.4 过暗图像对应灰度直方图



下图5，6是以增强亮度的图像（过亮图像）作为输入所对应的灰度直方图：

Fig.5 过亮图像



Fig.6 过亮图像对应灰度直方图



可以看出，图5的图像特性偏亮，因此其像素灰度值集中分布在亮区。
2. 相关函数
主要是在提取图像灰度直方图过程中涉及的一些MATLAB函数及其部分使用方法，具体可通过文末给出的【MATLAB函数查询】链接查询。

1. imread() —— 图像读入函数

A = imread(‘filename’) ;

从 filename 指定的文件读取图像，并从文件内容推断出其格式。如果 filename 为多图像文件，则 imread 读取该文件中的第一个图像。

使用imread()读取图像，括号内应用引号给出图像文件的全名字符串（包括任何可用的扩展名，比如图像类型），但采用这条语句，其输入图片必须与.m文件在同一目录下（同一文件夹中），例如语句1：
f = imread('PicName.jpg');

也可读取其他文件夹中的图像，例如语句2：
f = imread('E:\matlab\2020a\cx\pic\PicName.jpg');

此处给出一组代码1，实现读取一幅图像并显示，设置标题为Pic：
close all;clear all;clc 
f = imread('E:\matlab\2020a\cx\pic\PicName.jpg');	% 从目标路径读入图像
figure,imshow(f);title('Pic');	% 显示图像并设置标题为Pic

Fig.7 读取并显示图像



2.rgb2gray() —— 真彩图像灰度化函数

I = rgb2gray(RGB);

rgb2gray函数通过消除色调和饱和度信息，同时保留亮度，将RGB图像转换为灰度图。

通过对输入的RGB图像进行灰度化处理，获取对应的灰度图像。如下给出一组代码2，实现对RGB图像的读取、灰度化、显示、并设置标题：
close all;clear all;clc 
f = imread('E:\matlab\2020a\cx\pic\PicName.jpg');	% 从目标路径读入图像
gray_f = rgb2gray(f);	% 灰度化处理
figure,
subplot(121);imshow(f);title('Org');	% 显示图像并设置标题为Org
subplot(122);imshow(gray_f);title('Gray');	% 显示图像并设置标题为Gary

Fig.8 图像灰度化处理



3.imwrite() —— 图像写入函数

imwrite(A,‘filename’);

将图像数据A写入filename指定的文件，并从扩展名推断出文件格式。imwrite在当前文件夹中创建新文件，输出图像的位深度取决于A的数据类型和文件格式。

imwrite(A,map,‘filename’);

将A中的索引图像及其关联的颜色图写入由 map filename 指定的文件。

使用imwirte()函数将图像以指定名称及格式写入当前目录，如下代码3所示，实现将灰度处理后的图像数据命名为GrayImg，并以JPG格式存入指定目录：
close all;clear all;clc 
f = imread('E:\matlab\2020a\cx\pic\PicName.jpg');	% 从目标路径（E:\matlab\2020a\cx\pic）读入图像
gray_f = rgb2gray(f);	% 灰度化处理
imwrite(gray_f,'E:\matlab\2020a\cx\pic\GrayImg.jpg');	% 将灰度处理后的图像数据命名为GrayImg并以JPG格式存入指定目录（E:\matlab\2020a\cx\pic）

4.imshow() —— 图像显示函数

imshow(I);

在图窗中显示灰度图像I。imshow使用图像数据类型的默认显示范围，并优化图窗、坐标区和图像对象属性以便显示图像。

imshow(‘filename’);

显示存储在由filename指定的图形文件中的图像。

使用imshow()函数显示图像，如下代码4所示，实现读取图像并显示出来，设置标题为Org：
close all;clear all;clc 
I = imread('E:\matlab\2020a\cx\pic\PicName1.jpg');	% 从目标路径读入图像
figure,
imshow(I);title('Org');	% 显示图像并设置标题为Org

5.imhist() ——绘制图像直方图函数

imhist(I) ;

绘制灰度图像I的图像直方图，可直接显示。

imhist(I,n);

指定灰度级的数目为n，n默认为256.。

[counts,x] = imhist(I);

计算灰度图像I的直方图，并返回直方图的数据（出现的灰度级与其出现次数），并通过stem(x,counts)可绘制直方图。

如代码5，实现获取图像的灰度直方图：
close all;clear all;clc 
f = imread('E:\matlab\2020a\cx\pic\PicName.jpg');	% 从目标路径读入图像
gray_f = rgb2gray(f);	% 灰度化处理
figure,
subplot(121);imshow(gray_f);title('灰度图像');
subplot(122);imhist(gray_f);title('Gray Histogram');	% 绘制并显示灰度直方图

Fig.9 获取灰度直方图



代码6，实现获取图像的灰度直方图统计信息：
close all;clear all;clc 
f = imread('E:\matlab\2020a\cx\pic\PicName.jpg');	% 从目标路径读入图像
gray_f = rgb2gray(f);	% 灰度化处理
[Cot,Val] = imhist(gray_f);	% 获取直方图统计信息，Val为出现的灰度值，Cot为对应灰度值出现的频数

6.histeq()——直方图均衡化函数

直方图均衡化是一种利用灰度变换自动调节图像对比度质量的方法，基本思想是通过灰度级的概率密度函数求出灰度变换函数，是一种以累计分布函数变换法为基础的直方图修正法。

在MATLAB图像处理工具箱中提供了函数histeq()进行直方图均衡化处理。

J = histeq(I,n);

变换灰度图像I，返回具有n个离散灰度级的直方图均衡化后的灰度图像J，n默认为64。该变换使映射到J的n个灰度级中每个级别的像素个数大致相等，直方图大致平坦，且当n<<I中的离散灰度级数时，直方图更平坦。

J = histeq(I,hgram);

直方图规定化，hgram为一个整数向量，以使输出灰度图像J具有length(hgram)个bin的直方图近似匹配目标直方图hgram。

[J,T] = histeq(I);

返回灰度变换T，该变换将图像I中的灰度级映射到J中的灰度级。

通过函数histeq()对图像进行直方图均衡化处理，其具体实现如下代码7所示：
close all;clear all;clc 
f = imread('E:\matlab\2020a\cx\pic\PicName.jpg');	% 从目标路径读入图像
gray_f = rgb2gray(f);	% 灰度化处理
hgram = ones(1,256);
J = histeq(gray_f);	% 使用直方图均衡增强强度图像的对比度（默认n=64）
T = histeq(gray_f,hgram);	% 直方图规定化
figure,
subplot(131);imshow(uint8(gray_f));title('原始灰度图像');		% 显示灰度原始图像
subplot(132);imshow(uint8(J));title('histeq均衡化结果');		% 显示均衡化后的结果图像
subplot(133);imshow(uint8(T));title('直方图规定化结果');		% 显示规定化均衡后的结果图像
figure,
subplot(131);imhist(gray_f);title('灰度图像直方图');		% 显示原始图像的直方图
subplot(132);imhist(J);title('histeq均衡化直方图');		% 显示均衡化后的直方图
subplot(133);imhist(T);title('规定化均衡后直方图');		% 显示规定化均衡后的直方图

Fig.10 histeq均衡化效果图



Fig.11 均衡化后对应直方图


7.adapthisteq()——直方图均衡化函数

与histeq()函数不同，adapthisteq()的处理目标是图片的小块区域的数据，而非整幅图像的对比度增强，使输出区域的直方图大约匹配指定的直方图，相邻的小块采用双线性插值混合，以消除人工诱导的边界。

J = adapthisteq(I);

使用限制对比度的自适应直方图均衡化 (CLAHE) 来变换值，从而增强灰度图像I的对比度。

具体参考文末链接【MATLAB自适应直方图均衡—adapthisteq】。

如下给出一组代码8，实现采用adapthisteq()对图像灰度直方图的均衡化处理：
close all;clear all;clc 
f = imread('E:\matlab\2020a\cx\pic\PicName.jpg');	% 从目标路径读入图像
gray_f = rgb2gray(f);	% 灰度化处理
F = adapthisteq(gray_f);		% adapthisteq均衡后的直方图
figure,
subplot(221);imshow(gray_f);title('灰度图像');
subplot(222);imshow(F);title('均衡化后图像');   % adapthisteq均衡后效果图
subplot(223);imhist(gray_f);title('Gray Histogram');     % 绘制并显示灰度直方图
subplot(224);imhist(F);title('Histogram Equalization');  % 绘制并显示均衡化后的灰度直方图

Fig.12 adapthisteq均衡化效果图


8.imadjust()——图像灰度值调整函数

J = imadjust(I);

对图像I进行灰度调整。将灰度图像I中的强度值映射到J中的新值，默认对所有像素值中最低的1%和最高的1%进行饱和处理，提高输出图像J的对比度。

J = imadjust(I,[low_in high_in]);

[low_in high_in]为原图像中要变换的灰度范围。该处理将I中的强度值映射到J中的新值，使low_in和high_in之间的值映射到0到1之间的值。

J = imadjust(I,[low_in high_in],[low_out high_out]);

[low_in high_in]为原图像中要变换的灰度范围，[low_out high_out]为变换后的灰度范围。该处理将I中的强度值映射到J中的新值，使low_in和high_in之间的值映射到low_out到high_out之间的值。

J = imadjust(I,[low_in high_in],[low_out high_out],gamma);

将I中的强度值映射到J中的新值，其中gamma为映射方式，指定了描述I和J中的值之间关系的曲线形状，默认值为1，即线性映射，当gamma≠1时为非线性映射

RGB2 = imadjust(RGB1,[low_in high_in],___);

对彩色图像RGB1进行调整。将真彩色图像RGB1中的值映射到J中的新值，可为每个颜色通道应用相同的映射或互不相同的映射。

通过imadjust()函数调整灰度范围，给出的原图像的灰度范围为0~255，设置待变换的范围为[0.2 0.5]，变换后的范围为[0 1]，即将小于51（=255×0.2）的灰度值设置为0，将大于127.5（=255×0.5）的灰度值设置为255。

其中，可通过参数gamma调整图像亮度，若gamma＜1，加强亮色值输出；gamma＞1，加强暗色值输出。

具体实现如下代码9所示：
close all;clear all;clc 
f = imread('E:\matlab\2020a\cx\pic\PicName.jpg');	% 从目标路径读入图像
gray_f = rgb2gray(f);	% 灰度化处理
J = imadjust(gray_f);	% 默认调整灰度值
T = imadjust(gray_f,[0.2 0.5],[0 1]);	% 调整灰度值 
G = imadjust(gray_f,[0.2 0.5],[0 1],0.4);	% 调整灰度值并提高亮度
D = imadjust(gray_f,[0.2 0.5],[0 1],4);	% 调整灰度值并降低亮度
figure,
subplot(231);imshow(f);title('原图');
subplot(232);imshow(gray_f);title('灰度图像');
subplot(233);imshow(J);title('默认调整后效果图');
subplot(234);imshow(T);title('调整灰度值范围效果图');
subplot(235);imshow(G);title('调整灰度值范围并提高亮度效果图');
subplot(236);imshow(D);title('调整灰度值范围并降低亮度效果图');
figure,
subplot(231);imhist(gray_f);title('灰度图像直方图');
subplot(232);imhist(J);title('默认调整后直方图');
subplot(233);imhist(T);title('调整灰度值范围直方图');
subplot(234);imhist(G);title('调整灰度值范围并提高亮度直方图');
subplot(235);imhist(D);title('调整灰度值范围并降低亮度直方图');

Fig.13 adapthisteq均衡化效果图



Fig.14 均衡化后对应直方图



上述6~8函数均能够实现增强图像对比度，具体内容参考文末给出的【对比度增强方法】链接。
3. 代码实现与结果
MATLAB实现对目标图像灰度化处理，计算并显示其灰度直方图，后分别采用histeq()、adapthisteq()、imajust()函数处理原灰度图像，计算并显示其灰度直方图。
% Gray histogram Test Function

close all;clear all;clc

%% 1.读入图像：打开指定路径图片
f = imread('E:\matlab\2020a\cx\Bookei\Gray histogram\pic\nor.jpg');    % 读图

%% 2.灰度化
gray_f = rgb2gray(f);	% 灰度化处理

%% 3.保存图片
imwrite(gray_f,'E:\matlab\2020a\cx\fuzhuang\paper\Gray histogram\pic\11.jpg');

%% 4.读取图片信息（可要可不要）
info = imfinfo('E:\matlab\2020a\cx\fuzhuang\paper\Gray histogram\pic\11.jpg');

%% 5.histeq均衡化处理（默认n=64）
R1 = histeq(gray_f);	% 使用直方图均衡增强灰度图像的对比度

%% 6.adapthisteq均衡化处理
R2 = adapthisteq(gray_f);   % adapthisteq均衡后的直方图

%% 7.imadjust灰度范围调整
R3 = imadjust(gray_f,[0.2 0.5],[0 1]);	% 调整灰度值 

%% 8.效果图显示
figure,
subplot(231);imshow(f);title('原图');
subplot(232);imshow(gray_f);title('灰度图像');
subplot(233);imshow(R1);title('histeq均衡化结果图（默认n=64）');
subplot(234);imshow(R2);title('adapthisteq均衡化结果图');
subplot(235);imshow(R3);title('imadjust灰度范围调整结果图');

%% 9.直方图显示
figure,
subplot(221);imhist(gray_f);title('Gray Histogram');       % 绘制并显示灰度直方图
subplot(222);imhist(R1);title('histeq均衡化直方图');        % 显示histeq均衡化后的直方图
subplot(223);imhist(R2);title('adapthisteq均衡化直方图');	    % 显示adapthisteq均衡化后的直方图
subplot(224);imhist(R3);title('imadjust灰度范围调整后直方图');	% 显示imadjust灰度范围调整后的直方图

Fig.15 效果图显示



Fig.16 直方图显示


除了能用函数imhist绘制直方图以外，还能使用函数bar、stem、plot绘制图像的直方图，具体参考文末【Matlab中imhist函数的使用及图像直方图的概念】链接。
MATLAB函数查询

参考源：

Matlab图像处理转灰度图，绘制直方图，直方图均衡化

MATLAB自适应直方图均衡—adapthisteq

对比度增强方法

Matlab中imhist函数的使用及图像直方图的概念

局部直方图处理的用途

如果我们要谈论局部直方图处理，那么不得不提起与之相对应的全局直方图处理，之前写过一篇文章关于全局直方图处理的，对全局直方图不熟悉的话可以先去看一下，这样再看局部直方图处理会更好。记录一Opencv 和 C++实现全局直方图均衡化(原理到实践)

当我想让一幅图想的动态范围提高，提升图像的对比度我们可以采取全局直方图均衡化来处理图像，通常来说也会获得不错的结果。如下图所示

全局直方图均衡化处理前全局直方图均衡化处理后

这里可以看出在一般情况下全局直方图均衡处理的确可以提升图像的动态范围和对比度，但是在某一些情况下则不同，请看下面这个例子，原图是一副小行星的图片，图像中心亮度很高，但四周绝大部分区域亮度很低，这时如果仍然使用全局直方图均衡化处理图像，获得的结果往往不尽人意。

原图处理后

可以看出由于图像的动态范围被强行提升后整幅图像出现了严重失真，噪点被放大，图像细节丢失。此时使用局部的直方图处理结果会好很多。如下图所示。

原图处理后

可以看出使用局部直方图处理后的图像还原了一部分原图中看不到的暗部细节，但是图像仍然有割裂感（在明暗交界处），一部分原因是调参的问题，选取的模板尺寸和方差系数以及均值系数有关（这幅图大概调了一下，没有细调）。

以上关于全局直方图均衡化的处理和局部直方图处理的两个实验说明的各自所适用的领域。接下来进入正题，讨论局部直方图处理。

局部直方图处理

处理的基本思想是利用大小不同的模板在图像中滑动比较整幅图像的均值和方差与局部模板（块）的均值和方差进行比较，如果符合要求就将模板中心选择为合适的候选点，将候选点的亮度乘一个常数E。但是为什么是均值和方差呢？一副图像的亮度均值反应图像的平均亮度，方差则反应图像的整体对比度，方差越大，对比度也就越强。

数学部分

上述部分介绍了了利用局部直方图信息处理图像的一种方法，接下我们看一下相关的数学公式，关于如何计算图像的方差和均值。

图像均值公式                                                                          公式一

图像方差公式                                                             公式二

 

公式中的L-1中L是图像的灰阶等级数或者是亮度等级数如果是8位的图像L是256,ri是亮度等级p(ri)是当前亮度等级占全图的比例，或者是ri出现的概率。其中p(ri)可以从图像的直方图中获取到。

通过以上两个公式我们就可以获取到全局图像和局部模板的均值和方差，接下来就是如何确定候选点的问题了。

     公式三

其中msxy是模板均值，mg是全局均值，sigma_sxy是局部方差，sigma_G是全局方差，计算方式由公式一二给出。k0,k1,k2是我们在处理图像过程中可调的参数，k0<1,k1<k2<0,k1是为了防止对均匀部分（方差为0）的图像部分进行增强。

 

代码实现

#include<opencv.hpp>
#include<iostream>

using namespace cv;
using namespace std ;

Mat src,gray,dst;
void global_equalization(Mat &img);
void Local_equalization(Mat &img, int size = 95, float k0 = 0.99, float k1 = 0.001, float k2 = 0.7, float E = 6);
int main(int argc, char *argv[])
{

    src =imread("/home/qinzihang/opencv/samples/data/stone.jpg");


    //resize(src, src, Size(200,200));
    cvtColor(src, gray,COLOR_BGR2GRAY);
    cvtColor(src, src,COLOR_BGR2GRAY);
    imshow("GG",src);
    Mat test = gray;
    global_equalization(src);
    Local_equalization(gray);



    waitKey(0);
}
void global_equalization(Mat &img)
{
    float gray_l[256] = {0};
    float HI[256] = {0};//图像亮度密度1/N*h(I)
    float CDF[256] = {0};//累积分布函数
    int rows=img.rows;
    int cols=img.cols;
    Mat draw_mat = Mat::zeros(600,600,CV_8U);
    float m = 0;
    float variance = 0;
    cout << rows << endl;//x

    for(int i=0; i<rows; i++)
    {
        for(int j=0; j<cols; j++)
        {
            uchar t;
            if(img.channels()==1)
            {
                t=img.at<uchar>(i,j);
                gray_l[t]++;//获得图像亮度信息
            }
        }
    }
    for(int i = 0; i <256; i++)
    {

        line(draw_mat,Point(i+150,600-1),Point(i+150, 600-gray_l[i]),254);
        imshow("draw", draw_mat);
        HI[i] = (gray_l[i]/(img.cols*img.rows*1.0f));//获得密度概率
        //cout << HI[i] << endl;
        m += HI[i]*i;
    }
    for(int i = 0; i < 256; i++)
    {
       variance += (i - m) *(i - m)*HI[i];
    }
    for(int i = 0; i < 255; i++)
    {
        if(i == 0)
        {
            CDF[0] = HI[ 0];
        }
        else
        {
            CDF[i] = (CDF[i-1] +HI[i]);//C(I) = C(I - 1 ) +h(I)
            //cout << CDF[i] << endl;
        }

    }

    for(int i=0; i<rows; i++)
    {
        for(int j=0; j<cols; j++)
        {
            uchar t;
            if(img.channels()==1)
            {
                t=img.at<uchar>(i,j);
                img.at<uchar>(i,j) = 255*CDF[t];//完成图像重映射至0-255
            }
        } draw_mat = Mat::zeros(600,600,CV_8U);
    }
    imshow("yes",img);


}
void Local_equalization(Mat &img, int size , float k0 , float k1 , float k2, float E)
{
    int gray_l[256] = {0};

    float HI[256] = {0};//图像亮度密度1/N*h(I)


    float CDF[256] = {0};//累积分布函数
    int rows=img.rows;
    int cols=img.cols;
    Mat draw_mat = Mat::zeros(600,600,CV_8U);
    float global_m = 0;
    float global_variance = 0;

    int border_x = size/2;
    int border_y = size/2;
    cout << rows << endl;//x
    for(int i=0; i<rows; i++)
    {
        for(int j=0; j<cols; j++)
        {
            uchar t;
            if(img.channels()==1)
            {
                t=img.at<uchar>(i,j);
                gray_l[t]++;//获得图像亮度信息

            }
        }
    }

    for(int i = 0; i <256; i++)
    {
        HI[i] = (gray_l[i]/(img.cols*img.rows*1.0f));//获得密度概率
        global_m += HI[i]*i;

    }

    cout << "global_m = " << global_m << endl;
    for(int i = 0; i < 256; i++)
    {
       global_variance += (i - global_m) *(i - global_m)*HI[i];
    }
    cout << "global_variance = " << global_variance << endl;
    for(int i=0; i<rows - border_x; i++)
    {
        for(int j=0; j<cols - border_y; j++)
        {
            Point center_pix = Point(j+ border_x, i + border_y);
            int local_gray_l[256] = {0};
            float local_m = 0;
            float local_variance = 0;
            float local_HI[256] = {0};
            for(int M=0; M<size; M++)
            {


                for(int N=0; N<size; N++)
                {
                    uchar t;
                    t=img.at<uchar>(i + M, j + N);
                    local_gray_l[t]++;
                }
            }

            for(int k = 0; k <256; k++)
            {
               local_HI[k] = (local_gray_l[k]/(size*size*1.0f));//获得密度概率
                local_m += local_HI[k]*k;
            }
           // cout << "local_m = " << local_m << endl;
            for(int k = 0; k < 256; k++)
            {
               local_variance += (k - local_m) *(k - local_m)*local_HI[k];
            }
//            cout << "local_variance = " << local_variance << endl;

            if( local_m < global_m*k0 && (k1 * global_variance < local_variance && local_variance < k2 * global_variance))
            {
                if(E * img.at<uchar>(center_pix) < 255)
                {
                    img.at<uchar>(center_pix) = E * img.at<uchar>(center_pix);
                    //cout << "new_pix = " << E * img.at<uchar>(center_pix) << endl;
                }
                else
                {
                    img.at<uchar>(center_pix) = 255;
                }
            }
        }
    }

    imshow("loacl",img);
}

这部分代码实现和之前的全局直方图均衡类似，也很简单，如果有看不懂的可以留言或者去看一下以下两篇。

 

记录二Opencv和C++实现高斯核生成和卷积操作 

记录一Opencv 和 C++实现全局直方图均衡化(原理到实践）

以上便是本文的所有内容,如有错误疏漏欢迎大家指出.

 

 

 

 

  本文对抓包过程中遇到的两种情况做了简单的分析：1，HTTP使用非80端口；2，HTTP头部过长导致头部分包传输。
  情况一：

  在wireshark的view->Coloring Rules里面有这个界面。从这幅图可以看出两点：1，不同的颜色表示协议。2，String那一栏表示的是针对该种协议的规则（即wireshark是根据什么条件来判断该报文是什么协议的报文，当然你可以添加新的协议和规则）。有什么用处的，看如下的图：
 
  这是一条使用HTTP协议的流，wirshark将其标记为TCP。经过分析不难发现wireshark中使用TCP的80端口来识别HTTP协议，而图中的流虽然使用的是HTTP协议，但是并没有使用80端口而是使用1028端口，因此wireshark将按照IP层的协议字段将其识别为TCP。但是分析的时候，我们应该尽可能的定位其具体的应用层协议。我们应该知道，这是一条HTTP流，将其改为HTTP的方法是选中无法识别的报文->右键单击->Decode
 As->选择相应的应用层协议（当然这也仅仅是为了方便看，这是需要注意的一点），如下图： 


  以上的现象是我们联想到了一个问题，即底层的协议是如何承载上层的协议的：在数据链路层，使用两个字节的类型字段表示后续数据类型，比如TYPE:IP(0x0800)；在IP层有专门的8为协议字段表示上层的协议，比如TCP为6；在运输层并没有这样一个协议字段，而是用熟知的端口号来表示协议，SSL为443。这几种方式还是有一定的差异的（我的意思是为什么各层为什么不统一一下，明显端口号增加了应用层协议设计的灵活度）。
  看第二种情况



  提一下前面三个握手包中的长度字段。数据是在以太网上跑的，以太网要求数据范围是46-1500，因此数据部分不足46的要使用padding字段来填充，在第三个握手包中，就出现了6字节填充的情况。因此在使用wireshark抓以太网包的时候最小长度为60=14（以太网头）+6（填充）+20（IP最小）+20（TCP最小），但是你可能会说你的包中存在54个字节的情况，这是什么原因呢？下面的红色解释是转自CSDN，
 具有一定的参考价值：
  根据rfc894的说明，以太网封装IP数据包的最大长度是1500字节，也就是说以太网最大帧长应该是以太网首部加上1500，再加上7字节的前导同步码和1字节的帧开始定界符，具体就是：7字节前导同步码
 + 1字节帧开始定界符 + 6字节的目的MAC + 6字节的源MAC + 2字节的帧类型
 +1500 + 4字节的FCS。按照上述，最大帧应该是1526字节，但是实际上我们抓包得到的最大帧是1514字节，为什么不是1526字节呢？原因是当数据帧到达网卡时，在物理层上网卡要先去掉前导同步码和帧开始定界符，然后对帧进行CRC检验，如果帧校验和出错，就丢弃此帧。如果校验和正确，就判断帧的目的硬件地址是否符合自己的接收条件（目的地址是自己的物理硬件地址、广播地址、可接收的多播硬件地址等），如果符合，就将帧交给“设备驱动程序”做进一步处理。这时我们抓包的软件才能抓到数据，因此，抓包软件抓到的是去掉前导同步码、帧开始分界符、FCS之外的数据，其最大值是6
 + 6 + 2 + 1500 = 1514。
以太网规定，以太网帧数据域部分最小为46字节，也就是以太网帧最小是 6 + 6 + 2 + 46 + 4 = 64。除去4个字节的FCS，因此，抓包时就是60字节。当数据字段的长度小于46字节时，MAC子层就会在数据字段的后面填充以满足数据帧长不小于64
字节。由于填充数据是由MAC子层负责，也就是设备驱动程序。不同的抓包程序和设备驱动程序所处的优先层次可能不同，抓包程序的优先级可能比设备驱动程序更高，也就是说，我们的抓包程序可能在设备驱动程序还没有填充不到64字节帧的时候，已经捕获了数据。因此不同的抓包工具抓到的数据帧的大小可能不同。（比如，wireshark抓到的可能没有填充数据段，而sniffer抓到的就有填充数据段），（不过根据我的观察wireshark不同的版本抓获的最小数据包的大小好像有60字节也有54字节的情况.....）。
  上述的解释我是部分赞同的，但是对于小于54个字节的包，我的理解和上述还是有点差异的。我在抓包的过程中发现，基本都是下行的包。也就是说上行出去的包，由于优先级关系，填充完毕之后才被捕获；对于下行进来的包，同样的优先级关系，驱动程序会不会去除了填充的部分，然后才被我们抓包软件捕获呢？我觉得我的想法有一定的合理性。（PS：关于winpcap是如何捕获数据的可以参考《原理、实践与WinPcap深入解析》）



  我们姑且认为60-1514是正确的数据范围，因为我们这次讨论的问题与长度关，但是长度只是个引子。首先整个颜色是绿色，还记得我们第一种情况中所提到的情况，wireshark的识别HTTP的原则即端口为80的情况，因此整条流为HTTP流。再看我们包中的数据，第4,5个包，好像与我们通常遇到的情况有所不同。正常情况下，我们所遇到的都是3个握手包之后跟上HTTP的协议请求，为什么这次握手包之后跟上的是分段的包。经过查看包中的数据发现，造成这种情况的原因是GET请求中的URL过长，超过了以太网所能承载的最大数据长度，或者确切的说是超过了TCP所能承载的最大数据长度即1500-20-20=1460，因此需要分段传输。而不巧的是，由于分段将UA的值部分分成了两个部分，那么如果出现这种情况，对于绝大多数的协议识别系统来说，如果该流是简单的基于UA识别，那么将造成识别不了的情况。因为绝大多数的系统并没有类似这种情况的报文重组考虑进去。
  上述的过程中存在着一个问题那就是第4个包为什么被识别成为TCP而第五个包被识别成为HTTP，我是没有想明白（会不会是wireshark解释器的bug），因为并没有研究过wireshark的解释器。以后有机会研究一下，如果哪位大神知道，也请告知一下。还有就是文中有可能会有地方说的不太对，也请指出来。