[OpenCV] EP7_直方图与形态学操作

🎐直方图均衡化

什么是直方图？

• 数据统计方法

• bin：组距/直条 → 横坐标，如梯度、色彩等特征统计量

  

 

Sub.1 绘制直方图🎐

横坐标：像素值；纵坐标：个数

Pt.1 API学习 💐

1. cv2.calcHist() - 核心直方图计算

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

 

1. 参数
   • images ：图像列表（可同时处理多图），需用[img]包裹（即使单图）
   • channels ：通道索引列表
     • 灰度图：[0]
     • 彩色图：[0]（B）、[1]（G）、[2]（R）
   • mask ：ROI区域掩膜，None表示全图计算
   • hitszie ：bin数量，[256]表示0-255每个值独立统计
   • ranges ：像素范围，灰度图为[0, 256]（Python左闭右开）
2. 返回值： 形状为 (256, 1) 的numpy数组，每个元素表示对应像素值的出现次数
3. 注意点：
   • 彩色图需先拆分通道，分别计算各通道直方图
   • 多图处理时，hist结果会累加所有图的统计值

2. cv2.minMaxLoc() - 极值定位

minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)

1. 参数：hist：calcHist() 返回的直方图数组
2. 返回值：
   • minVal/maxVal：最小/最大出现次数
   • minLoc/maxLoc：对应像素值的位置（形如 (x, 0) ）(在直方图数组中的位置索引）
3. 注意点：
   • 最小值/最大值：指的是数量最少/多的像素值（maxLoc[0]即出现频率最高的像素值）
   • 可用hist.max() 获取最大值，用于归一化

3. 绘制

cv2.line(img, pt1, pt2, color, thickness)

参数：

• img：绘图画布（需提前创建空白图像）
• pt1/pt2：线段起终点坐标（x,y）
• color：线条颜色（灰度图用标量值，彩色用(B,G,R)元组）
• thickness：线宽（负数表示填充）

注意点：

✅ 直方图绘制需遍历每个bin，用线条高度映射统计值

✅ 需归一化处理：hist_norm = hist / maxVal * height

Pt.2 代码模式 🍀

Study Example 🍀

import cv2 as cv
import numpy as np

"""
绘制直方图
"""
def draw_hist(image):
    # 1. 检测是否为灰度图
    if len(image.shape) == 3:
        gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    else:
        gray = image

    # 2. 直方图计算
    hist = cv.calcHist([gray], [0], None, [256], [0, 256])

    # 3. 获取最小值和最大值及其位置索引
    min_val, max_val, min_loc, max_loc = cv.minMaxLoc(hist)
    # 如果只是为了用最大值，也可以直接使用 max_val = hist.max()

    # 4. 使用numpy创建图像（背景） -> 注意: shape 是 (高, 宽, 通道数)
    hist_img = np.zeros((300, 256, 3), dtype=np.uint8)

    # 5. 归一化：限制直方图的高
    hpt = int(0.9 * 300)
    hist_norm = hist / max_val * hpt    # 广播机制

    # 6. 绘制直方图
    for i in range(256):
        # 绘制直方图的每个竖条
        # 注意: 这里的 hist_norm[i] 是一个数组，所以需要取第一个元素
        cv.line(hist_img, (i, 300), (i, 300 - int(hist_norm[i][0])), (255, 255, 255))

    return hist_img


if __name__ == "__main__":
    img = cv.imread("images/CuteCat.jpg")
    cat = cv.resize(img, (0,0), fx=0.1, fy=0.1)
    gray = cv.cvtColor(cat, cv.COLOR_BGR2GRAY)
    hist_img = draw_hist(cat)
    cv.imshow("cat", cat)
    cv.imshow("gray", gray)
    cv.imshow("hist", hist_img)
    cv.waitKey(0)
    cv.destroyAllWindows()

输出：

 

Sub.2 直方图均衡化🎐

Pt.1 核心概念⚡

1. 原理

重新排列像素值，暗的更暗，亮的更亮 → "拉伸灰度值范围"，增强对比度

2. 作用

• 增强对比度：明暗差异更明显
• 提高图像质量：图像细节更丰富
• 标准化图像：让不同光照条件下的图像有更一致的灰度分布

Pt.2 自适应直方图均衡化 （AHE）

通过调整图像像素值分布，改善图像对比度和亮度

（1）原理

1. 遍历统计：每个像素值的个数、比例、累计比例
2. 计算：新像素值 = 缩放范围 × 累计比例
3. 重新映射：新像素值代替原位置 → 原本集中的灰度值分散开

（2）适用范围

• 适用于灰度分布不均且灰度分布集中在更窄的范围，图像的细节不够清晰且对比度较低的情况。

• 缺点：有噪声 →噪点被放大；高对比度处 → 过曝；

• 原因：未考虑局部特征和全局对比度的差异 → 改用CLAHE（带限制的均衡化）

  

（3）API 使用

dst = cv2.equalizeHist(imgGray)

注意点：需传入灰度图，返回的是处理后的新图像

Study Example 🍀

import cv2

# 读取图片并转灰度
img = cv2.imread('dark_photo.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 直方图均衡化 → 记住这个函数！
equ = cv2.equalizeHist(gray)

# 显示对比
cv2.imshow('Before', gray)
cv2.imshow('After', equ)
cv2.waitKey(0)

Pt.3 对比度受限的自适应直方图均衡化 (CLAHE)

• （1）原理
  • 在每一个小区域内（默认8×8）进行直方图均衡化
  • 对小区域内的对比度进行限制（防止噪点被放大）
• （2）主要步骤
  1. 图像分块：小块tiles，默认8×8
  2. 计算子区域直方图 → 子区域直方图均衡化
  3. 对比度限制：API中的clipLimit参数
  4. 重采样和领域像素融合：平滑过渡各个小块
  5. 合成输出图像

（3）API使用

step1：创建CLAHE对象

clahe = cv2.createCLAHE(clipLimit=None, tileGridSize=None)

参数说明：

• clipLimit：限制调整幅度，值越大对比越强（推荐2.0-3.0）
• tileGridSize：分块大小，值越小局部效果越明显（常用8x8）

stpe2：应用

equ_clahe = clahe.apply(gray)）

# 第一步：创建CLAHE对象 → 相当于买了个智能美颜灯
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
# 第二步：应用 → 把美颜灯对着照片照一下
equ_clahe = clahe.apply(gray)

 Study Example 🍀

from Test import draw_hist
import cv2 as cv
"""
直方图均衡化：AHE、CLAHE
"""
# 读图
img = cv.imread("images/zhifang.png")
cat = cv.resize(img, (0,0), fx=0.1, fy=0.1)
gray = cv.cvtColor(cat, cv.COLOR_BGR2GRAY)

# AHE 普通直方图均衡化
equ = cv.equalizeHist(gray)

# CLAHE 对比度受限的直方图均衡化
# 创建CLAHE对象
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
# 应用CLAHE
equ_clahe = clahe.apply(gray)


# 绘制原图、AHE、CLAHE 的直方图
hist_img = draw_hist(cat)
hist_equ = draw_hist(equ)
hist_clahe = draw_hist(equ_clahe)

# 依次显示
# 原图和其灰度图、直方图
cv.imshow("org", cat)
cv.imshow("gray", gray)
cv.imshow("hist", hist_img)
# AHE后的原图和直方图
cv.imshow("equ_img", equ)
cv.imshow("equ_hist", hist_equ)
# CLAHE后的原图和直方图
cv.imshow("clahe_img", equ_clahe)
cv.imshow("clahe_hist", hist_clahe)
cv.waitKey(0)
cv.destroyAllWindows()

---

 

🏖️ 模版匹配

Pt.1 核心概念⚡

Q1：什么是模版匹配？（WHAT）

• 定义：在目标图中找到与模板最相似的小区域

• 特点：

  • 过程类似卷积，滑动比较，但是无边缘填充
  • 返回结果：相似度矩阵 → 目标图大小 - 模板图大小 + 1

Q2：什么时候要用到模版匹配？（WHEN）

e.g. 场景联想

1. 监控视频里找走失的小孩（已知小孩衣服模板）
2. 工业检测找零件是否缺失
3. 游戏脚本自动识别按钮位置

Q3：为什么要用模版匹配？（WHY）

✅ 优点：简单易用，适合固定图案
❌ 缺点：

• 旋转/缩放后失效（就像侧脸照片找正脸）
• 速度慢（大图找大模板时）

Pt.2 如何用？（HOW）

result = cv2.matchTemplate(image, temple, method)

基本参数：

• image → 灰度图/彩色图，若彩色图像，将在各通道独立匹配
• temple → 模板图像：必须比目标图小，且与目标同通道
• method → 匹配方法（6种3组，普通版+归一化版）

匹配方法 method：

方法名	一句话原理	最佳值位置	适用场景
TM_SQDIFF	平方差匹配（越小越像）	最小值点	精确匹配
TM_SQDIFF_NORMED	归一化平方差（抗亮度变化）	最小值点	光照变化时
TM_CCORR	相关度匹配（越大越像）	最大值点	少用，对亮度敏感
TM_CCORR_NORMED	归一化相关匹配	最大值点	常用，综合性能好
TM_CCOEFF	相关系数匹配	最大值点	考虑均值差异时
TM_CCOEFF_NORMED	归一化相关系数（最常用）	最大值点	绝大多数情况

Study Example 🍀 

import cv2 as cv
import numpy as np
"""
模版匹配
"""
# 读图及预处理
org = cv.imread("images/game.png")
img = org.copy()
temp = cv.imread("images/temp.png")
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
temp_gray = cv.cvtColor(temp, cv.COLOR_BGR2GRAY)

# 获取模板宽高
h, w = temp.shape[:2]

# 模版匹配，拿到匹配结果，返回匹配程度矩阵
res = cv.matchTemplate(img_gray, temp_gray, cv.TM_CCOEFF_NORMED)

# 设置阈值，使用 np.where 筛选出符合条件的坐标
threshold = 0.8
loc = np.where(res >= threshold)

"""
loc 得到的是一个元组，其中包含两个数组，分别表示匹配到的所有点的 x 和 y 坐标
loc[0] 表示所有匹配到的点的 y 坐标，loc[1] 表示所有匹配到的点的 x 坐标
zip(*loc) 是将 loc 中的元素进行解包，然后使用 zip 函数将它们组合成一个元组的列表
zip(*loc)得到的pt元组是 (y,x)，用[::-1]将其反转为 (x,y)
"""

for pt in zip(*loc[::-1]):    # pt 为左上角坐标
    # 计算右下角坐标
    bottom_right = (pt[0] + w, pt[1] + h)
    # 绘制矩形框
    cv.rectangle(img, pt, bottom_right, (0,0,255), 1, cv.LINE_AA)

# 显示结果
cv.imshow("org", org)
cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()

---

 

🎍 霍夫变换

Pt.1 核心概念⚡

Q1：什么是霍夫变换？（WHAT）

• 定义：霍夫变换是一种图像处理技术，用于检测图像中的几何形状（如直线、圆等）。
• 核心思想：将图像中的点映射到参数空间，通过统计参数空间中的“投票”结果，找到几何形状的参数。

Q2：霍夫变换有什么用？为什么要用它？（WHY）

• 用途：
  • 检测图像中的直线、圆、椭圆等几何形状。
  • 适用于噪声较多或形状不完整的场景（如断断续续的车道线）。
• 优点：
  • 对噪声鲁棒性强。
  • 能检测不完整的形状。
• 缺点：
  • 计算量大（尤其是高维形状如圆）。
  • 参数调优复杂。

Q3：什么时候用霍夫变换？（WHEN）

• 典型场景：
  • 车道线检测（直线）。
  • 工业零件定位（圆、矩形）。
  • 医学图像分析（血管、细胞轮廓）。
• 前置条件：通常需要先做边缘检测（如Canny）。
• 后续处理：根据检测到的形状进行坐标提取或几何分析。

Q4：有几种霍夫变换？分别什么原理？

1. 霍夫直线变换（标准霍夫变换）

• 原理：

• 1. 为什么要引入极坐标系：垂直直线k无穷大，无法表示
  2. 图像中的每个点 (x,y) → 对应霍夫空间（ρ−θ空间）中的一条曲线
  3. 当多条曲线在霍夫空间中交于一点 ⇒ 这些曲线对应的图像空间中的点 共线
  4. 设置一个阈值，统计霍夫空间曲线交点处的曲线数量，超过阈值的点 对应的直线，就是检测到的直线。

2. 统计概率霍夫直线变换

标准霍夫计算量大，且只能得到直线的参数 → 绘制麻烦

• 概率版改进：
  • 只处理随机采样的点，减少计算量。
  • 直接返回线段的端点坐标。

3. 霍夫圆变换

• 原理：
  1. 圆需要三个参数 (圆心x, y, 半径r ) ⇒ 映射到三维参数空间
  2. 图像空间的每个点 ←→ 霍夫空间的一个三维曲面
  3. 霍夫空间的曲面相交与一点 ⇒ 这些点在图像空间中位于同一个圆
  4. 实际中，常用霍夫梯度法减少计算量
     • 图像的梯度信息 → 确定可能的圆心位置
     • 圆心周围的点 → 确定半径

---

Pt.2 如何使用霍夫变换 （HOW）

import cv2 as cv
import numpy as np
"""
霍夫变换：霍夫直线变换、统计概率霍夫直线变换、霍夫圆变换
"""
# 读图及预处理
_ = cv.imread("images/graph_white.png")
img = cv.resize(_, None, fx=1.5, fy=1.5)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 50, 150)    # 必须要做边缘检测！

# 直线变换
lines = cv.HoughLines(edges, 1, np.pi/180, 80)
hough = img.copy()
if lines is not None:
    for line in lines:
        rho, theta = line[0]
        sin_theta, cos_theta = np.sin(theta), np.cos(theta)
        x0, x1 = 0, img.shape[1]
        # 由 rho = x*cos_theta + y*sin_theta 得到 y = (rho - x*cos_theta) / sin_theta
        y0 = np.int_((rho - x0 * cos_theta) / sin_theta)
        y1 = np.int_((rho - x1 * cos_theta) / sin_theta)
        # 绘制直线
        cv.line(hough, (x0, y0), (x1, y1),
                (0, 255, 0), 1, cv.LINE_AA)

# 统计概率直线变换
lines_p = cv.HoughLinesP(edges, 1, np.pi/180, 80,
                         minLineLength=50, maxLineGap=10)
hough_p = img.copy()
if lines_p is not None:
    for line in lines_p:
        x0, y0, x1, y1 = line[0]
        cv.line(hough_p, (x0, y0), (x1, y1),
                (0, 255, 0), 1, cv.LINE_AA)

# 霍夫圆变换
# 圆变换对噪声敏感，需要先做高斯滤波
cv.GaussianBlur(edges, (5, 5), 0)
circles = cv.HoughCircles(edges, cv.HOUGH_GRADIENT, 1, 100, param2=30)
circles = np.int_(np.round(circles))    # 转换为整数
hough_c = img.copy()
if circles is not None:
    for circle in circles[0,:]:
        center = (circle[0], circle[1])
        radius = circle[2]
        cv.circle(hough_c, center, radius, (0, 255, 0), 2, cv.LINE_AA)

# 显示结果
cv.imshow("org", img)
cv.imshow("hough", hough)
cv.imshow("hough_p", hough_p)
cv.imshow("hough_c", hough_c)
cv.waitKey(0)
cv.destroyAllWindows()

输出： 

---

 

🎋 图像亮度变换

Pt.1 核心概念 ⚡

• 对比度调整：放大/缩小像素间的差异 → 暗处更暗，亮出更亮（通过拉伸像素值分布范围）
• 亮度调整：整体平移像素值 → 全图变亮/暗（不改变像素间差异）
• OpenCV调整对比度和亮度的公式：g(i, j) = α·f(i, j) + β
  • α 控制对比度（α>1 对比度增强，0<α<1 对比度减弱）
  • β 控制亮度（β>0 变亮，β<0 变暗）
  • 实际应用：对比度需要αβ共同控制（如β影响人眼对比度感知，或联合优化防止过曝）

Pt.2 调整方法 💐

（1）线性变换 - 颜色加权加法

 颜色加权加法 （EP2 颜色与灰度处理）

dst = cv2.addWeighted(src1, alpha, src2, beta, gamma)

• 单图调整：快速写法

# 对比度增强为1.5倍，亮度+30
adjusted = cv2.addWeighted(img, 1.5, img, 0, 30)

• 规范写法：src2设为全零矩阵，表示不混合其他图像

# 正确用法：src2设为0，只调整src1（当前图像）  
adjusted = cv2.addWeighted(image, 1.5, np.zeros_like(image), 0, 30) 

---

 实时预览？ -- 滑动条 TrackBar

Pt.3 滑动条（TrackBar）动态调整

一、基础概念

（1）什么是Trackbar？

• Trackbar（滚动条/滑动条）是OpenCV中用于动态调整参数的交互工具，依附于指定窗口。属于图形用户界面（GUI）组件。
• 作用：实时交互工具，通过拖动滑块改变参数值。

（2）核心函数

cv2.createTrackbar(trackbar_name, window_name, value, max_val, callback)

• trackbar_name：滑动条名称（字符串）
• window_name：所属窗口名称（需先创建窗口）
• value：初始值
• max_val：最大值（最小值固定为0）
• callback：回调函数（滑动条变化时触发）

---

cv2.getTrackbarPos()

• 获取滑动条当前值
• 参数：滑动条名称和窗口名称

import cv2
import numpy as np
"""
通过滑动条控制图像亮度和对比度
"""
# 全局变量存储图像和调整参数
_ = cv2.imread("images/CuteCat.jpg")
image = cv2.resize(_, None, fx=0.1, fy=0.1)
alpha = 1.0    # 对比度 1.0表示原图
beta = 0    # 亮度 0

# 给滑条创建窗口，设置初始值
window_name = "Contrast & Brightness"
cv2.namedWindow(window_name, cv2.WINDOW_AUTOSIZE)

# 滑动条回调函数，改变图像亮度和对比度
def update_image(val):
    global image, alpha, beta

    # 获取滑动条当前值
    alpha = cv2.getTrackbarPos("Contrast", window_name) / 100
    beta = cv2.getTrackbarPos("Brightness", window_name) - 100
    """结合创建滑条时设置的初始值，将对比度和亮度调整范围映射到 0.0~3.0 和 -100~100"""

    # 应用公式：g(x) = α*f(x) + β
    dst = np.clip(image.astype(float) * alpha + beta, 0, 255).astype(np.uint8)

    # 并排显示原图和调整结果
    combined = np.hstack([image, dst])
    cv2.imshow(window_name, combined)


# 创建对比度和亮度滑条
cv2.createTrackbar("Contrast", window_name, 100, 300, update_image)
cv2.createTrackbar("Brightness", window_name, 100, 200, update_image)

# 初始化显示
update_image(0)
# 等待用户退出
cv2.waitKey(0)
cv2.destroyAllWindows()

输出： 

---

 

🌌 形态学变换

（Morphological Transformations），通常处理二值图像/灰度图，根据像素值进行逻辑运算，实现图像形状的修改（如去噪、边缘检测、连接区域等） 

It.1 腐蚀（Erosion）

1. 定义：

• 腐蚀操作会将图像中的前景物体（通常为白色）进行 “收缩”。
• 它通过核在图像上滑动，核内有0置为0，核内全1才为1。

• 效果：腐蚀操作能逐步收缩目标物体边界，消除孤立的噪声像素，细化连续的前景区域。 → 腐蚀后白色像素（非0）变少

2. API

erode = cv2.erode(image, kernel, iterations=1)

• iterations ：迭代次数（腐蚀次数）

It.2 膨胀（Dilation）

1. 定义：

• 用核在图像上滑动，核内有白，则中心像素变白（扩大白色区域）。

• 效果：膨胀后白色像素（非0）变多了

3. API

dilated = cv2.dilate(img, kernel, iterations=1)

It.3 开运算（Opening）和闭运算（Closing）

	开运算	闭运算
原理	先腐蚀，后膨胀 → 更"干净"	先膨胀，后腐蚀 → 更"完整"
特点	去除小噪声，保留主体结构	填充物体内部孔洞，闭合边缘

# 开运算
opened = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
# 闭运算
closed = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

It.4 礼帽运算（Top Hat）和黑帽运算（Black Hat）

	礼帽运算	黑帽运算
定义	原图 - 开运算结果	闭运算结果 - 原图
作用	提取比周围亮的细节	提取比周围暗的细节
场景	背景均匀时的亮斑提取	深色缺陷检测，暗斑提取

# 礼帽运算
tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT, kernel)
# 黑帽运算
blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)

It.5 形态学梯度（Morphological Gradient）

1. 定义

• 膨胀图 - 腐蚀图
• 效果：突出边缘

# 形态学梯度提取边缘
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)