人工智能之视觉领域 计算机视觉 第十章 图像直方图

人工智能之视觉领域 计算机视觉

第十章 图像直方图

---

文章目录

• [人工智能之视觉领域 计算机视觉](#人工智能之视觉领域 计算机视觉)
• 前言：图像直方图
• • [1. 通俗理解：什么是图像直方图？](#1. 通俗理解：什么是图像直方图？)
  • • [🌟 为什么重要？](#🌟 为什么重要？)
  • [2. 核心操作](#2. 核心操作)
  • • [2.1 绘制直方图：`cv2.calcHist()`](#2.1 绘制直方图：cv2.calcHist())
    • [2.2 直方图均衡化：`cv2.equalizeHist()`](#2.2 直方图均衡化：cv2.equalizeHist())
  • [3. 应用场景](#3. 应用场景)
  • • [🎯 场景1：图像增强](#🎯 场景1：图像增强)
    • [🎯 场景2：医学影像](#🎯 场景2：医学影像)
    • [🎯 场景3：视频监控](#🎯 场景3：视频监控)
  • [4. 完整工作流程（Mermaid 图）](#4. 完整工作流程（Mermaid 图）)
  • [5. 配套代码实战](#5. 配套代码实战)
  • • [示例 1：绘制灰度图像直方图](#示例 1：绘制灰度图像直方图)
    • [示例 2：直方图均衡化](#示例 2：直方图均衡化)
    • [示例 3：彩色图像的直方图均衡化](#示例 3：彩色图像的直方图均衡化)
  • [6. 高级技巧与注意事项](#6. 高级技巧与注意事项)
  • • [⚠️ 注意事项 1：直方图均衡化的局限性](#⚠️ 注意事项 1：直方图均衡化的局限性)
    • [⚠️ 注意事项 2：自适应直方图均衡化（CLAHE）](#⚠️ 注意事项 2：自适应直方图均衡化（CLAHE）)
    • [⚠️ 注意事项 3：多通道图像处理](#⚠️ 注意事项 3：多通道图像处理)
  • [7. 总结](#7. 总结)
• 资料关注

---

前言：图像直方图

学习目标：掌握如何使用 OpenCV 绘制和分析图像的亮度分布，并通过直方图均衡化技术增强图像对比度，优化曝光不足或过曝的图像。

---

1. 通俗理解：什么是图像直方图？

想象你有一张照片：

• 每个像素都有一个亮度值（0-255）
• 直方图就是统计每个亮度值出现的次数！

✅ 直方图 = 图像亮度分布的"指纹"

• 帮助我们了解图片的整体明暗程度
• 是调整图像对比度、色彩的基础

🌟 为什么重要？

• 曝光判断：是否太亮/太暗
• 对比度评估：画面细节是否丰富
• 图像增强：为后续处理提供依据

---

2. 核心操作

2.1 绘制直方图：cv2.calcHist()

hist = cv2.calcHist(images, channels, mask, histSize, ranges)

参数	说明
images	输入图像（必须是列表形式 [img]）
channels	通道索引（0=灰度，[0]=BGR中的蓝，[1]=绿，[2]=红）
mask	掩码图像（None=全图，其他=指定区域）
histSize	直方图尺寸（bin的数量，如 [256]）
ranges	像素值范围（通常为 [0, 256]）

2.2 直方图均衡化：cv2.equalizeHist()

仅适用于单通道灰度图像：

equ = cv2.equalizeHist(img)

💡 原理：重新分配亮度值，使整个图像的亮度更加均匀

---

3. 应用场景

🎯 场景1：图像增强

• 对比度低的图像 → 提升视觉效果
• 曝光不足或过曝 → 改善亮度分布

🎯 场景2：医学影像

• X光片等医疗图像 → 提高病变区域的可见度

🎯 场景3：视频监控

• 在低光照条件下 → 增强图像清晰度

---

4. 完整工作流程（Mermaid 图）

彩色
灰度
不满意
满意
原始图像
彩色 or 灰度?
转换为灰度
跳过
计算直方图
对比度满意?
直方图均衡化
显示直方图
显示结果图像

---

5. 配套代码实战

示例 1：绘制灰度图像直方图

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

def plot_histogram(image, title):
    # 计算直方图
    hist = cv2.calcHist([image], [0], None, [256], [0, 256])
    
    # 绘制直方图
    plt.figure()
    plt.title(title)
    plt.xlabel("Bins")
    plt.ylabel("# of Pixels")
    plt.plot(hist)
    plt.xlim([0, 256])

# 读取图像并转为灰度
img = cv2.imread('low_contrast.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 绘制原始图像直方图
plot_histogram(gray, "Original Image Histogram")

# 显示图像和直方图
cv2.imshow("Original Image", gray)
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

示例 2：直方图均衡化

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

def plot_histogram(image, title):
    hist = cv2.calcHist([image], [0], None, [256], [0, 256])
    plt.figure()
    plt.title(title)
    plt.xlabel("Bins")
    plt.ylabel("# of Pixels")
    plt.plot(hist)
    plt.xlim([0, 256])

# 读取图像并转为灰度
img = cv2.imread('low_contrast.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 执行直方图均衡化
equ = cv2.equalizeHist(gray)

# 绘制均衡化后的直方图
plot_histogram(equ, "Equalized Histogram")

# 显示原始与均衡化后的图像及其直方图
cv2.imshow("Original Image", gray)
cv2.imshow("Equalized Image", equ)
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

示例 3：彩色图像的直方图均衡化

对于彩色图像，需要分别对每个通道进行均衡化：

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

# 读取图像
img = cv2.imread('color_image.jpg')

# 分离颜色通道
b, g, r = cv2.split(img)

# 分别对每个通道执行直方图均衡化
b_equ = cv2.equalizeHist(b)
g_equ = cv2.equalizeHist(g)
r_equ = cv2.equalizeHist(r)

# 合并均衡化后的通道
equ_img = cv2.merge((b_equ, g_equ, r_equ))

# 显示原始图像和均衡化后的图像
cv2.imshow("Original Image", img)
cv2.imshow("Equalized Image", equ_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 可选：绘制每个通道的直方图
for i, (channel, color) in enumerate(zip([b, g, r], ['blue', 'green', 'red'])):
    hist = cv2.calcHist([channel], [0], None, [256], [0, 256])
    plt.plot(hist, color=color)
    plt.xlim([0, 256])

plt.show()

---

6. 高级技巧与注意事项

⚠️ 注意事项 1：直方图均衡化的局限性

• 对于已经具有良好对比度的图像，均衡化可能不会带来显著改善
• 过度均衡化可能导致图像失真（如噪声放大）

⚠️ 注意事项 2：自适应直方图均衡化（CLAHE）

• 解决全局均衡化带来的问题
• 使用 cv2.createCLAHE() 创建 CLAHE 对象，然后调用 .apply() 方法

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
cl1 = clahe.apply(gray)

⚠️ 注意事项 3：多通道图像处理

• 不同颜色通道应独立处理
• 或者将图像转为 Lab 色彩空间，只对 L（亮度）通道进行均衡化

---

7. 总结

步骤	关键操作	函数
预处理	彩色→灰度	cvtColor(..., cv2.COLOR_BGR2GRAY)
绘制直方图	计算亮度分布	cv2.calcHist(...)
均衡化	提升对比度	cv2.equalizeHist(...) 或 cv2.createCLAHE().apply(...)
展示结果	显示直方图和图像	Matplotlib.pyplot

🌟 你现在可以：

• 绘制任何图像的亮度分布直方图
• 使用直方图均衡化提升图像对比度
• 对比度不足或过度曝光的图像进行修复
  下一章，我们将深入探讨边缘检测------识别图像中物体边界的强大工具！

资料关注

咚咚王

《Python编程：从入门到实践》

《利用Python进行数据分析》

《算法导论中文第三版》

《概率论与数理统计（第四版） (盛骤) 》

《程序员的数学》

《线性代数应该这样学第3版》

《微积分和数学分析引论》

《（西瓜书）周志华-机器学习》

《TensorFlow机器学习实战指南》

《Sklearn与TensorFlow机器学习实用指南》

《模式识别（第四版）》

《深度学习 deep learning》伊恩·古德费洛著 花书

《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》

《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》

《自然语言处理综论 第2版》

《Natural-Language-Processing-with-PyTorch》

《计算机视觉-算法与应用(中文版)》

《Learning OpenCV 4》

《AIGC：智能创作时代》杜雨+&+张孜铭

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》

《从零构建大语言模型（中文版）》

《实战AI大模型》

《AI 3.0》