opencv计算机视觉--图形旋转&图形可视化&均衡化

一、图形旋转

1. NumPy的`np.rot90()`方法

功能：专门用于90度倍数的旋转
参数k的含义：
- k=1：逆时针旋转90度
- k=-1：顺时针旋转90度
- k=2：旋转180度（顺时针或逆时针效果相同）
- k=3：顺时针旋转270度（等同于逆时针90度）
特点：
- 通过数组转置和翻转实现
- 只能做90度的整数倍旋转
- 旋转中心是图像中心

python 复制代码

import cv2
import numpy as np

# 方法一
img = cv2.imread('./kele.png')
# 旋转90度，k=-1表示顺时针旋转90度
rotated_image1 = np.rot90(img, k=-1)
# 旋转90度，k=1表示逆时针旋转90度
rotated_image2 = np.rot90(img, k=1)

cv2.imshow('yuantu', img)
cv2.waitKey(0)
cv2.imshow('rotated_image1', rotated_image1)
cv2.waitKey(0)
cv2.imshow('rotated_image2', rotated_image2)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. OpenCV的`cv2.rotate()`方法

功能：提供标准化的旋转操作
三种预定义旋转模式：
- cv2.ROTATE_90_CLOCKWISE：顺时针90度
- cv2.ROTATE_90_COUNTERCLOCKWISE：逆时针90度
- cv2.ROTATE_180：旋转180度
特点：
- 接口更直观
- 底层可能优化了性能
- 语义更清晰

python 复制代码

import cv2
import numpy as np
img = cv2.imread('./kele.png')
cv2.imshow('yuan',img)
cv2.waitKey(0)
rotated_image = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE)  # 顺时针90度
rotated_image1 = cv2.rotate(img, cv2.ROTATE_90_COUNTERCLOCKWISE)  # 逆时针90度
rotated_image2 = cv2.rotate(img, cv2.ROTATE_180)  # 旋转180度
cv2.imshow('shun90', rotated_image)
cv2.waitKey(0)
cv2.imshow('ni90', rotated_image1)
cv2.waitKey(0)
cv2.imshow('180', rotated_image2)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.旋转的数学概念

1. 二维旋转矩阵

对于90度旋转，数学上对应：

顺时针90度：(x', y') = (y, -x)
逆时针90度：(x', y') = (-y, x)
180度：(x', y') = (-x, -y)

2. 图像坐标系

OpenCV图像坐标系：原点在左上角
x轴向右为正，y轴向下为正
旋转时需要考虑坐标系方向

3.两种方法的区别

特性	`np.rot90()`	`cv2.rotate()`
灵活性	可通过`k`参数控制任意90度倍数旋转	只有三种固定模式
可读性	参数需要记忆（k的正负含义）	语义更明确
性能	NumPy数组操作，通常很快	OpenCV优化，可能更快
适用性	适合需要动态计算旋转次数的场景	适合固定的标准旋转

4.注意事项

插值问题：这两种方法都是精确的90度倍数旋转，不需要插值计算
边界处理：旋转后图像边界完整保留
颜色通道：RGB/BGR颜色通道信息完全保留
内存布局：旋转后像素数据重新排列，但数值不变

二、图形可视化

1、可视化层次分析

1）像素级数据可视化

people.ravel()：将二维图像矩阵展平为一维数组
把图像的空间结构信息转换为数值分布信息
这是从空间域 到统计域的转换

2）统计分布可视化（直方图）

直方图展示像素值的频率分布
**bins（区间）**的概念：256个区间 vs 16个区间
- 256 bins：精细分布，显示每个像素值的具体频率
- 16 bins：概览分布，显示像素值范围的趋势

2、颜色通道可视化

python 复制代码

color=('b','g','r')  # 蓝、绿、红

通道分离：将彩色图像的BGR通道分别提取
颜色编码：用对应通道颜色绘制其直方图
多变量对比：同时展示三个相关变量的分布

3、空间选择性可视化（掩码技术）

区域选择的可视化：

掩码创建：定义感兴趣区域（ROI）
区域提取 ：bitwise_and操作隔离特定区域
局部统计：只分析选定区域的像素分布

这种可视化体现了：

全局vs局部对比分析
空间约束下的数据分布
交互式分析的思想：用户可以定义分析区域

4、可视化传达的信息

通过直方图可以判断：

图像对比度：直方图的宽度
图像亮度：直方图的中心位置
曝光情况：是否集中在某一段
颜色平衡：各通道分布是否均衡
图像质量：是否有过多噪声（毛刺）

python 复制代码

import cv2
import matplotlib.pyplot as plt
import numpy as np
people=cv2.imread('peopleone.jpg',cv2.IMREAD_GRAYSCALE)
a=people.ravel()

plt.hist(a,bins=256)
plt.show()
people_hist=cv2.calcHist([people],[0],None,[16],[0,256])
plt.plot(people_hist)
plt.show()

img=cv2.imread('peopleone.jpg')
color=('b','g','r')

for i,col in enumerate(color):
    histr=cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color=col)
plt.show()


people=cv2.imread('peopleone.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('people',people)
cv2.waitKey(0)

mask=np.zeros(people.shape[:2],np.uint8)
mask[50:600,50:700]=255
cv2.imshow('mask',mask)
cv2.waitKey(0)

people_mask=cv2.bitwise_and(people,people,mask=mask)
cv2.imshow('peolpe_mask',people_mask)
cv2.waitKey(0)

people_hist_mask=cv2.calcHist([people],[0],mask,[256],[0,256])
plt.plot(people_hist_mask)
plt.show()
cv2.destroyAllWindows()

三、整体目标

通过直方图均衡化技术改善图像对比度，展示全局和局部均衡化的效果差异。

1.核心概念：直方图均衡化

基本原理：

重新分布图像像素的强度值，使直方图在整个强度范围内更加均匀，从而增强图像对比度。

2.代码执行流程分析

1. 读取和显示原始图像直方图

python 复制代码

renwu = cv2.imread('renwu.jpg', cv2.IMREAD_GRAYSCALE)
plt.hist(renwu.ravel(), bins=256)

读取灰度图像
显示原始像素强度分布
通常低对比度图像的直方图会集中在某个狭窄范围内

2. 全局直方图均衡化

python 复制代码

renwu_equalize = cv2.equalizeHist(renwu)
plt.hist(renwu_equalize.ravel(), bins=256)

cv2.equalizeHist()：对整个图像应用均衡化
效果：将原始直方图拉伸到整个0-255范围
缺点：可能过度增强某些区域的对比度，丢失细节

3. 可视化对比

python 复制代码

res = np.hstack((renwu, renwu_equalize))

并排显示原图和处理后图像
直观展示对比度改善效果

4. 自适应直方图均衡化（局部处理）

python 复制代码

clahe = cv2.createCLAHE(clipLimit=10, tileGridSize=(8, 8))
renwu_clahe = clahe.apply(renwu)

CLAHE（Contrast Limited Adaptive Histogram Equalization）
工作原理：
- 将图像分成多个小区域（tileGridSize指定，如8×8网格）
- 对每个小区域独立进行直方图均衡化
- 使用clipLimit限制对比度增强程度，防止噪声过度放大

5. 最终对比展示

python 复制代码

res = np.hstack((renwu, renwu_equalize, renwu_clahe))

同时显示：原始图像、全局均衡化、自适应均衡化
直观比较三种处理效果

完整代码

python 复制代码

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

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

# 显示原图直方图
plt.hist(renwu.ravel(), bins=256)  # numpy中的ravel将数组多维度拉成一维数组
plt.show()

# 全局直方图均衡化
renwu_equalize = cv2.equalizeHist(renwu)

# 显示均衡化后的直方图
plt.hist(renwu_equalize.ravel(), bins=256)
plt.show()

# 对比原图和均衡化后的图像
res = np.hstack((renwu, renwu_equalize))  # 横向拼接
cv2.imshow('renwu_rese', res)
cv2.waitKey(0)

# 自适应直方图均衡化(局部直方图处理)
# 当需要保存细节特征，需要做局部处理
# clipLimit: 颜色对比度的阈值，可选项，默认值 8
# tileGridSize: 局部直方图均衡化的模板（邻域）大小，可选项，默认值 (8,8)
clahe = cv2.createCLAHE(clipLimit=10, tileGridSize=(8, 8))  # 创建局部均衡化对象
renwu_clahe = clahe.apply(renwu)

# 对比三种图像
res = np.hstack((renwu, renwu_equalize, renwu_clahe))
cv2.imshow('renwu_equalize', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、两种方法的对比

特性	全局均衡化	自适应均衡化（CLAHE）
处理范围	整个图像	局部小区域
对比度控制	无限制	有限制（clipLimit）
细节保留	可能丢失	较好保留
噪声影响	可能放大噪声	受控放大
适用场景	整体低对比度图像	局部对比度差异大的图像

4.关键参数说明

1. `clipLimit`

对比度限制阈值
防止局部区域对比度过度增强
值越大，对比度增强越强
默认值2-3，这里设为10（较强增强）

2. `tileGridSize`

划分图像的小区域大小
(8, 8)表示将图像分为8×8=64个小区域
每个小区域独立进行均衡化

5.实际应用效果

处理后的直方图特征：

全局均衡化：直方图大致均匀分布在整个0-255范围
自适应均衡化：保持了原始直方图的某些特征，但整体更加均衡

视觉改善：

暗部细节显现：原本太暗的区域变亮
亮部细节恢复：原本太亮的区域变暗
整体对比度提升：图像更加清晰

opencv计算机视觉--图形旋转&图形可视化&均衡化

一、图形旋转

1. NumPy的np.rot90()方法

2. OpenCV的cv2.rotate()方法

3.旋转的数学概念

1. 二维旋转矩阵

2. 图像坐标系

3.两种方法的区别

4.注意事项

二、图形可视化

1、可视化层次分析

1）像素级数据可视化

2） 统计分布可视化（直方图）

2、颜色通道可视化

3、空间选择性可视化（掩码技术）

区域选择的可视化：

这种可视化体现了：

4、可视化传达的信息

通过直方图可以判断：

三、整体目标

1.核心概念：直方图均衡化

基本原理：

2.代码执行流程分析

1. 读取和显示原始图像直方图

2. 全局直方图均衡化

3. 可视化对比

4. 自适应直方图均衡化（局部处理）

5. 最终对比展示

完整代码

3、两种方法的对比

4.关键参数说明

1. clipLimit

2. tileGridSize

5.实际应用效果

处理后的直方图特征：

视觉改善：

1. NumPy的`np.rot90()`方法

2. OpenCV的`cv2.rotate()`方法

2）统计分布可视化（直方图）

1. `clipLimit`

2. `tileGridSize`