文章前言

在数字图像处理中，直方图是描述图像像素灰度分布最基础的工具，结合图像金字塔、掩膜、直方图均衡化，可以实现图像分层分解、局部像素统计、暗光图像增强等经典功能。本文整合全套实战代码，包含：图像金字塔（高斯 / 拉普拉斯）、灰度直方图、彩色直方图、掩膜局部直方图、全局直方图均衡、自适应 CLAHE 均衡，逐段讲解原理与代码，适合 OpenCV 图像处理入门学习。

目录

文章前言

一、图像金字塔：高斯金字塔 + 拉普拉斯金字塔

1. 核心原理

完整代码

关键知识点总结

二、图像灰度直方图两种绘制方式

1. 函数介绍

完整代码

参数详解 cv2.calcHist(images, channels, mask, histSize, ranges)

三、彩色直方图 + Mask 掩膜局部直方图

1. 彩色直方图原理

2. Mask 掩膜原理

完整代码

四、直方图均衡化：全局均衡 + 自适应 CLAHE 均衡

核心作用

完整代码

两种均衡对比

五、全文总结

---

环境依赖

pip install opencv-python numpy matplotlib

一、图像金字塔：高斯金字塔 + 拉普拉斯金字塔

1. 核心原理

1. 高斯下采样 pyrDown()：图像宽高各缩小 1/2，高斯模糊后丢弃偶数行 / 列，构建高斯金字塔（逐层缩小）
2. 高斯上采样 pyrUp()：图像宽高扩大 2 倍，空白像素补 0 后高斯模糊，放大图像
3. 拉普拉斯金字塔：原图 - 原图下采样再上采样的图像，存储图像细节（边缘、纹理），可用于图像复原、图像融合。

完整代码

import cv2
import numpy as np

# 读取灰度图片
face = cv2.imread('avril lavigne.jpg', cv2.IMREAD_GRAYSCALE)
# 统一缩放尺寸
face = cv2.resize(face, (800, 1204))
cv2.imshow('原图face', face)
cv2.waitKey(0)

# ========== 高斯金字塔：下采样缩小 ==========
face_down_1 = cv2.pyrDown(face)  # 第1层缩小
cv2.imshow('down_1 一级下采样', face_down_1)
cv2.waitKey(0)
face_down_2 = cv2.pyrDown(face_down_1) # 第2层缩小
cv2.imshow('down_2 二级下采样', face_down_2)
cv2.waitKey(0)

# ========== 高斯上采样放大 ==========
face_up_1 = cv2.pyrUp(face)
cv2.imshow('up_1 原图直接放大', face_up_1)
cv2.waitKey(0)
face_up_2 = cv2.pyrUp(face_up_1)
cv2.imshow('up_2 二次放大', face_up_2)
cv2.waitKey(0)

# 缩小后再放大，和原图做差值得到拉普拉斯层
face_down_1_up = cv2.pyrUp(face_down_1)
face_down_2_up = cv2.pyrUp(face_down_2)
cv2.imshow('down_1_up 一级缩小后复原', face_down_1_up)
cv2.imshow('down_2_up 二级缩小后复原', face_down_2_up)
cv2.waitKey(0)

# ========== 拉普拉斯金字塔：提取图像细节 ==========
L0 = face - face_down_1_up    # 第0层拉普拉斯（原图细节）
L1 = face_down_1 - face_down_2_up # 第1层拉普拉斯（缩小图细节）
cv2.imshow('L0 原图细节层', L0)
cv2.imshow('L1 一级缩小细节层', L1)
cv2.waitKey(0)

# 图像复原：放大图 + 拉普拉斯细节 = 还原原图
fuyuan = face_down_1_up + L0
cv2.imshow('复原图像', fuyuan)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键知识点总结

1. 下采样会丢失细节，直接放大图像会模糊；
2. 拉普拉斯金字塔保存丢失的细节信息，复原时叠加即可恢复清晰图像；
3. 应用场景：图像融合、图像拼接、纹理提取。

二、图像灰度直方图两种绘制方式

1. 函数介绍

• numpy.ravel()：将二维图像矩阵展平为一维像素数组，方便统计灰度；
• plt.hist()：matplotlib 一键绘制柱状直方图，简单直观；
• cv2.calcHist()：OpenCV 原生直方图计算函数，专业图像处理接口，支持自定义区间、掩膜、多通道。

完整代码

import cv2
import matplotlib.pyplot as plt

# 1. 以灰度模式读取图片
phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)

# 2. ravel将二维图像展平为一维像素数组
pixel_arr = phone.ravel()

# 方式1：Matplotlib快速绘制灰度柱状直方图
# bins=256：0~255每个灰度单独一个区间
plt.hist(pixel_arr, bins=256)
plt.title("Matplotlib 灰度直方图 bins=256")
plt.show()

# 方式2：OpenCV calcHist计算直方图，折线展示
# 参数说明：[图像], [通道0灰度图], 无掩模, 划分16个区间, 像素范围0~256
phone_hist = cv2.calcHist([phone], [0], None, [16], [0, 256])
plt.plot(phone_hist)
plt.title("OpenCV calcHist 直方图曲线 histSize=16")
plt.show()

参数详解 cv2.calcHist(images, channels, mask, histSize, ranges)

1. images：输入图像列表，必须用[]包裹；
2. channels：统计通道，灰度图固定[0]，彩色 BGR 对应[0][1][2]；
3. mask：掩膜，只统计指定区域，全图统计填None；
4. histSize(BINS)：灰度区间划分数，256 代表每个灰度单独统计，16 代表合并 16 个灰度为一段；
5. ranges：像素取值范围，灰度图固定[0,256]（左闭右开，覆盖 0~255）。

三、彩色直方图 + Mask 掩膜局部直方图

1. 彩色直方图原理

彩色图为 BGR 三通道，单独计算每个通道的像素分布，分别绘制蓝、绿、红三条曲线。

2. Mask 掩膜原理

创建全黑图像，指定区域置 255 白色，通过bitwise_and截取图像局部，仅统计白色区域的直方图。

完整代码

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

# ====================== 1. 彩色三通道直方图 ======================
img = cv2.imread('phone.png')
color = ('b', 'g', 'r')
# 遍历BGR三个通道，分别计算并绘制直方图
for i, col in enumerate(color):
    histr = cv2.calcHist(images=[img], channels=[i], mask=None, histSize=[256], ranges=[0, 256])
    plt.plot(histr, color=col)
plt.title("BGR彩色通道直方图")
plt.show()

# ====================== 2. Mask掩膜局部直方图 ======================
# 读取灰度图
phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)
cv2.imshow('原图phone', phone)
cv2.waitKey(0)

# 创建和图像同尺寸的全黑掩膜
mask = np.zeros(phone.shape[:2], np.uint8)
# 指定矩形区域设置为白色255，仅该区域参与统计
mask[50:350, 100:470] = 255
cv2.imshow('mask掩膜', mask)
cv2.waitKey(0)

# 按位与运算，提取掩膜对应图像区域
phone_mask = cv2.bitwise_and(phone, phone, mask=mask)
cv2.imshow('掩膜截取局部图像', phone_mask)
cv2.waitKey(0)

# 仅计算掩膜区域的直方图
phone_hist_mask = cv2.calcHist(images=[phone], channels=[0], mask=mask, histSize=[256], ranges=[0, 256])
plt.plot(phone_hist_mask)
plt.title("掩膜局部区域直方图")
plt.show()
cv2.destroyAllWindows()

四、直方图均衡化：全局均衡 + 自适应 CLAHE 均衡

核心作用

针对暗光、低对比度图像，拉伸灰度动态范围，提升画面亮度与细节；分为两种方案：

1. 全局均衡 equalizeHist：整张图像统一均衡，强光区域容易过曝、噪声放大；
2. 自适应均衡 CLAHE：将图像分小块单独均衡，块间插值平滑，保留局部对比度，效果更自然。

完整代码

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

# 读取暗光灰度图
black = cv2.imread('black.jpg', cv2.IMREAD_GRAYSCALE)

# 绘制原图灰度分布直方图
plt.hist(black.ravel(), bins=256)
plt.title("原图直方图")
plt.show()

# 1. 全局直方图均衡化
black_equalize = cv2.equalizeHist(black)
plt.hist(black_equalize.ravel(), bins=256)
plt.title("全局均衡后直方图")
plt.show()

# 原图与全局均衡图横向拼接对比
res_global = np.hstack((black, black_equalize))
cv2.imshow('原图 | 全局均衡化', res_global)
cv2.waitKey(0)

# 2. 自适应直方图均衡化 CLAHE
# clipLimit：对比度限制阈值，抑制噪声放大；tileGridSize：图像分块大小
clahe = cv2.createCLAHE(clipLimit=10, tileGridSize=(8, 8))
black_clahe = clahe.apply(black)

# 原图、全局均衡、CLAHE自适应均衡 三图拼接对比
res_all = np.hstack((black, black_equalize, black_clahe))
cv2.imshow('原图 | 全局均衡 | CLAHE自适应均衡', res_all)
cv2.waitKey(0)
cv2.destroyAllWindows()

两种均衡对比

表格

均衡方式	优点	缺点	适用场景
equalizeHist 全局均衡	操作简单，整体提亮明显	局部过曝，噪声放大	整体极暗、无明显高光的图像
CLAHE 自适应均衡	分块处理，保留细节，抑制过曝	参数需要微调	人像、风景、明暗分布不均的图像

五、全文总结

1. 图像金字塔：pyrDown缩小、pyrUp放大，拉普拉斯金字塔提取图像细节，用于图像融合复原；
2. 直方图统计：plt.hist快速绘图，cv2.calcHist专业计算，支持灰度、彩色、掩膜局部统计；
3. 图像增强：直方图均衡化拉伸灰度，全局均衡速度快，CLAHE 自适应均衡视觉效果更佳；
4. 工程使用建议：日常图像增强优先使用CLAHE 自适应均衡，需要局部像素分析时配合 Mask 掩膜使用。