OpenCV一些进阶操作

代码实现：

python 复制代码

import cv2
import numpy as np

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取灰度图像并转换为一维数组，用matplotlib绘制直方图
phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)
a = phone.ravel()
plt.hist(a, bins=256)
plt.show()

# 使用cv2.calcHist计算直方图并绘制曲线
phone_hist = cv2.calcHist([phone], [0], None, [16], [0, 256])
plt.plot(phone_hist)
plt.show()

# 读取彩色图像，分别绘制B、G、R通道的直方图
img = cv2.imread('phone.png')
colors = ('b', 'g', 'r')
for i, col in enumerate(colors):
    histr = cv2.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(histr, color=col)
plt.show()

phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)
cv2.imshow('phone',phone)
cv2.waitKey(0)
mask = np.zeros(phone.shape[:2],np.uint8)
mask[50:530,100:470] = 255
cv2.imshow('mask',mask)
cv2.waitKey(0)
Phone_mask = cv2.bitwise_and(phone,phone,mask=mask)
cv2.imshow('Phone_mask',Phone_mask)
cv2.waitKey(0)
Phone_hist_mask = cv2.calcHist([phone], [0], mask, [16], [0, 256])
plt.plot(Phone_hist_mask)
plt.show()



import matplotlib.pyplot as plt
import cv2
import numpy as np

# 读取灰度图像
woman = cv2.imread('black.jpg', cv2.IMREAD_GRAYSCALE)

# 绘制原始图像的直方图
plt.hist(woman.ravel(), bins=256)
plt.show()

# 全局直方图均衡化
woman_equalize = cv2.equalizeHist(woman)
# 绘制均衡化后图像的直方图
plt.hist(woman_equalize.ravel(), bins=256)
plt.show()

# 横向拼接原始图像与全局均衡化后的图像并显示
res = np.hstack((woman, woman_equalize))
cv2.imshow('woman_equalize', res)
cv2.waitKey(0)

# 创建自适应直方图均衡化对象
clahe = cv2.createCLAHE(clipLimit=1, tileGridSize=(16, 16))
# 应用自适应直方图均衡化
woman_clahe = clahe.apply(woman)

# 横向拼接原始、全局均衡化、自适应均衡化的图像并显示
res = np.hstack((woman, woman_equalize, woman_clahe))
cv2.imshow('phone_equalize', res)
cv2.waitKey(0)

代码是有关于图像直方图 的计算、绘制以及直方图均衡化（增强图像对比度）展开，使用了 OpenCV（cv2）进行图像处理，Matplotlib 进行可视化等操作。以下是分步骤解析：

一、基础库导入

代码开头重复导入了必要的库（实际开发中只需导入一次即可）：

cv2：OpenCV 库，用于图像读取、处理

numpy：数值计算库，用于数组操作

matplotlib.pyplot：绘图库，用于绘制直方图和曲线

二、灰度图像直方图绘制

复制代码

# 读取灰度图像并转换为一维数组，用matplotlib绘制直方图
phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)  # 以灰度模式读取图像
a = phone.ravel()  # 将二维图像数组展平为一维数组（便于直方图统计）
plt.hist(a, bins=256)  # 绘制直方图，bins=256表示将像素值（0-255）分为256个区间
plt.show()  # 显示直方图

功能：展示灰度图像的像素值分布。直方图的 x 轴是像素值（0-255，黑到白），y 轴是对应像素值的数量。

三、用 OpenCV 计算直方图并绘制

复制代码

# 使用cv2.calcHist计算直方图并绘制曲线
phone_hist = cv2.calcHist([phone], [0], None, [16], [0, 256])  # OpenCV计算直方图
plt.plot(phone_hist)  # 以曲线形式绘制直方图
plt.show()

cv2.calcHist参数解析：
- [phone]：输入图像（需用列表包裹）
- [0]：通道索引（灰度图只有 1 个通道，索引为 0）
- None：掩膜（此处不使用掩膜，统计全图）
- [16]：直方图的 bin 数量（将 0-255 分为 16 个区间，简化分布）
- [0, 256]：像素值范围功能：用 OpenCV 的专用函数计算直方图，并用曲线展示（相比plt.hist更灵活，支持掩膜等高级功能）。

四、彩色图像的通道直方图

复制代码

# 读取彩色图像，分别绘制B、G、R通道的直方图
img = cv2.imread('phone.png')  # 读取彩色图像（OpenCV默认读取为BGR格式）
colors = ('b', 'g', 'r')  # 对应B、G、R通道的颜色
for i, col in enumerate(colors):
    histr = cv2.calcHist([img], [i], None, [256], [0, 256])  # 计算第i个通道的直方图
    plt.plot(histr, color=col)  # 用对应颜色绘制曲线
plt.show()

注意：OpenCV 读取的彩色图是BGR格式（蓝、绿、红），而 Matplotlib 默认是RGB，但此处仅绘制直方图，颜色对应即可。

功能：分别展示彩色图像中蓝、绿、红三个通道的像素值分布，帮助分析图像的色彩构成。

五、掩膜（Mask）与感兴趣区域（ROI）的直方图

复制代码

phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)
cv2.imshow('phone', phone)  # 显示原图
cv2.waitKey(0)  # 等待按键（0表示无限等待）

# 创建掩膜：黑色背景，特定区域为白色
mask = np.zeros(phone.shape[:2], np.uint8)  # 初始化与原图同大小的黑色掩膜（0为黑）
mask[50:530, 100:470] = 255  # 将区域[行50-530，列100-470]设为白色（255）
cv2.imshow('mask', mask)  # 显示掩膜
cv2.waitKey(0)

# 用掩膜提取原图中的感兴趣区域（ROI）
Phone_mask = cv2.bitwise_and(phone, phone, mask=mask)  # 只保留掩膜白色区域的像素
cv2.imshow('Phone_mask', Phone_mask)  # 显示ROI
cv2.waitKey(0)

# 计算掩膜区域的直方图
Phone_hist_mask = cv2.calcHist([phone], [0], mask, [16], [0, 256])  # mask参数指定只统计掩膜白色区域
plt.plot(Phone_hist_mask)
plt.show()

掩膜作用：过滤掉不感兴趣的区域，只分析特定区域的像素分布。

流程：创建掩膜→用bitwise_and提取 ROI→计算 ROI 的直方图，适用于需要聚焦分析图像局部区域的场景。

六、直方图均衡化（增强对比度）

直方图均衡化通过拉伸像素值的分布范围，增强图像对比度（使暗部更暗、亮部更亮）。

1. 全局直方图均衡化

复制代码

# 读取灰度图像
woman = cv2.imread('black.jpg', cv2.IMREAD_GRAYSCALE)

# 绘制原始图像的直方图
plt.hist(woman.ravel(), bins=256)
plt.show()

# 全局直方图均衡化
woman_equalize = cv2.equalizeHist(woman)  # OpenCV内置全局均衡化函数
# 绘制均衡化后图像的直方图
plt.hist(woman_equalize.ravel(), bins=256)
plt.show()

# 横向拼接原始图像与全局均衡化后的图像并显示
res = np.hstack((woman, woman_equalize))  # 横向拼接两个图像
cv2.imshow('woman_equalize', res)
cv2.waitKey(0)

效果：全局均衡化会拉伸整个图像的像素分布，但可能过度增强噪声（尤其在均匀区域）。

2. 自适应直方图均衡化（CLAHE）

为解决全局均衡化的缺陷，自适应均衡化将图像分块（tile），对每块单独均衡化，同时限制对比度（避免噪声放大）。

复制代码

# 创建自适应直方图均衡化对象
clahe = cv2.createCLAHE(clipLimit=1, tileGridSize=(16, 16))  # clipLimit：对比度限制阈值；tileGridSize：分块大小（16x16）
# 应用自适应直方图均衡化
woman_clahe = clahe.apply(woman)

# 横向拼接原始、全局均衡化、自适应均衡化的图像并显示
res = np.hstack((woman, woman_equalize, woman_clahe))
cv2.imshow('phone_equalize', res)
cv2.waitKey(0)

优势：相比全局均衡化，自适应均衡化能更好地保留局部细节，避免整体过曝或噪声放大，是更常用的对比度增强方法。

总结

这段代码完整展示了图像直方图的计算、可视化（灰度图 / 彩色图 / ROI），以及通过直方图均衡化（全局 / 自适应）增强图像对比度的方法，是数字图像处理中分析和增强图像的基础技术实践。