OpenCV入门实战

运行环境：Python3.8及以上，依赖opencv-python、numpy、matplotlib

前置准备：准备face.jpg、mao.png、black.jpg三张测试图片，与python脚本放在同一目录下

---

一、图像金字塔（高斯金字塔+拉普拉斯金字塔）

核心原理

图像金字塔是图像多尺度表达的一种方式，主要分为高斯金字塔和拉普拉斯金字塔，区别于普通resize缩放，金字塔缩放自带高斯模糊降噪处理。

高斯金字塔分为下采样（缩小图像）和上采样（放大图像）：

下采样：先高斯模糊降噪，再隔行隔列删除像素，图像长宽变为原来1/2，图像尺寸减半、分辨率降低

上采样：先对图像补0扩充尺寸，再高斯卷积插值，图像长宽变为原来2倍，放大后会丢失原图细节

拉普拉斯金字塔：用于保存图像缩放丢失的细节信息，可以依靠细节图还原模糊图像

公式：Li = Gi - pyrUp(pyrDown(Gi))

上图为高斯金字塔采样原理示意图，可以清晰看到多层金字塔尺寸变化规律，图片尺寸必须为2的整数次幂，否则会出现尺寸不匹配报错。

代码逻辑讲解

第一步：导入依赖库，统一配置matplotlib解决中文乱码问题

第二步：读取人脸灰度图，统一缩放到512*512（2的9次方，适配金字塔采样）

第三步：两次下采样，逐级缩小图像

第四步：两次上采样，分别测试原图放大、缩小后再放大两种场景

第五步：计算拉普拉斯细节图，利用细节图完成图像还原

完整代码实现

import cv2  # opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt

# 解决matplotlib中文方框+负号显示异常
plt.rcParams["font.family"] = ["SimHei", "Microsoft YaHei", "SimSun"]
plt.rcParams["axes.unicode_minus"] = False

# ----------------高斯金字塔向下采样----------------
# 读取原图并统一缩放到512×512，适配金字塔采样规则
face = cv2.imread('face.jpg', cv2.IMREAD_GRAYSCALE)
face = cv2.resize(face, (512, 512), interpolation=cv2.INTER_AREA)
cv2.imshow('face', face)
cv2.waitKey(0)

# 第一次下采样，尺寸变为原图1/2
face_down_1 = cv2.pyrDown(face)
cv2.imshow('down_1', face_down_1)
cv2.waitKey(0)

# 第二次下采样，尺寸变为原图1/4
face_down_2 = cv2.pyrDown(face_down_1)
cv2.imshow('down_2', face_down_2)
cv2.waitKey(0)

# ----------------高斯金字塔向上采样----------------
# 原图直接上采样放大2倍
face_up_1 = cv2.pyrUp(face)
cv2.imshow('up_1', face_up_1)
cv2.waitKey(0)

# 再次上采样，尺寸放大4倍
face_up_2 = cv2.pyrUp(face_up_1)
cv2.imshow('up_2', face_up_2)
cv2.waitKey(0)

# 缩小后再放大，验证图像细节丢失
face_down_1_up = cv2.pyrUp(face_down_1)
face_down_2_up = cv2.pyrUp(face_down_2)
cv2.imshow('down_1_up', face_down_1_up)
cv2.imshow('down_2_up', face_down_2_up)
cv2.waitKey(0)

# ----------------拉普拉斯金字塔细节提取与图像还原----------------
L0 = face - face_down_1_up   # 提取第一层丢失细节
L1 = face_down_1 - face_down_2_up  # 提取第二层丢失细节
fuyuan = face_down_1_up + L0 # 模糊图+细节图=还原原图

cv2.imshow('L0', L0)
cv2.imshow('L1', L1)
cv2.waitKey(0)
cv2.imshow('fuyuan', fuyuan)
cv2.waitKey(0)

代码运行结果

运行结果分析：

1. 下采样：图像逐级缩小，画面更加模糊，自带降噪效果

2. 缩小再放大：图像无法复原原图清晰度，像素信息属于永久丢失

3. 拉普拉斯金字塔：提取的细节图可以完美补全模糊图像，实现图像还原

---

二、图像直方图全套实操

核心原理

图像直方图是用来统计图像像素灰度分布的统计图，横坐标为像素灰度值（0-255，0代表纯黑，255代表纯白），纵坐标为对应灰度值的像素个数。

直方图只统计像素数量，不关心像素所在位置，常用于判断图像明暗、对比度、整体色调。本文实现三类直方图：

1. 灰度直方图：统计单通道灰度图像素分布

2. 彩色三通道直方图：分别统计B/G/R三通道像素分布（OpenCV通道顺序为BGR）

3. 掩膜局部直方图：只统计图片指定区域像素，屏蔽无关区域

代码逻辑讲解

第一步：灰度直方图：分别用matplotlib快速绘图、OpenCV calcHist函数自定义分箱绘图

第二步：彩色直方图：循环遍历B、G、R三个通道，分别绘制直方图曲线

第三步：掩膜直方图：创建黑色掩膜、划定白色有效区域，与原图做与运算，仅统计有效区域灰度分布

代码实现

# ----------------灰度图像直方图----------------
mao = cv2.imread('mao.png', cv2.IMREAD_GRAYSCALE)
# 方法1：matplotlib直接展平图像绘制直方图
a = mao.ravel()
plt.hist(a, bins=256)
plt.title("matplotlib灰度直方图")
plt.show()

# 方法2：OpenCV内置函数计算直方图，自定义分箱数
mao_hist = cv2.calcHist(images=[mao], channels=[0], mask=None, histSize=[16], ranges=[0, 256])
plt.plot(mao_hist)
plt.title("calcHist BINS=16 灰度直方图曲线")
plt.show()

# ----------------彩色图像三通道直方图----------------
img = cv2.imread('mao.png')
color = ('b', 'g', 'r')
# 遍历三个通道分别绘图
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("彩色图BGR三通道直方图")
plt.show()

# ----------------带Mask掩膜的局部直方图----------------
mao = cv2.imread('mao.png', cv2.IMREAD_GRAYSCALE)
cv2.imshow('mao', mao)
cv2.waitKey(0)

# 创建掩膜：黑色画布，划定矩形有效区域
mask = np.zeros(mao.shape[:2], np.uint8)
mask[50:350, 100:470] = 255
cv2.imshow('mask', mask)
cv2.waitKey(0)

# 提取掩膜选中的图像区域
mao_mask = cv2.bitwise_and(mao, mao, mask=mask)
cv2.imshow('mao_mask', mao_mask)
cv2.waitKey(0)

# 仅统计掩膜区域直方图
mao_hist_mask = cv2.calcHist(images=[mao], channels=[0], mask=mask, histSize=[256], ranges=[0, 256])
plt.plot(mao_hist_mask)
plt.title("掩膜区域局部直方图")
plt.show()

cv2.destroyAllWindows()

代码运行结果分析

1. 灰度直方图：可以直观看出图片整体偏暗还是偏亮

2. 彩色直方图：通过三条曲线分布，判断图片整体偏向蓝、绿、红哪一种色调

3. 掩膜直方图：仅统计框选区域，适合局部图像亮度分析，工程实用性极强

---

三、直方图均衡化图像增强

核心原理

很多实拍图片整体偏暗、对比度低、画面灰蒙蒙，直方图均衡化可以拉伸图像灰度分布区间，自动提升图像对比度，分为两种方式：

1. 全局直方图均衡化：对整张图片统一拉伸灰度，速度快，但是容易造成局部高光过曝、细节丢失

2. CLAHE自适应局部均衡化：将图片分成多个小网格，单独对每个网格做均衡化，网格之间平滑过渡，保留图像细节，避免过曝，工业项目首选

代码逻辑讲解

第一步：读取一张偏暗的灰度测试图，先绘制原图灰度直方图

第二步：调用equalizeHist实现全局均衡化，绘制均衡后直方图，拼接原图与效果图

第三步：创建CLAHE对象，设置对比度限制参数与网格大小，实现局部自适应均衡

第四步：将原图、全局均衡图、自适应均衡图三图拼接，直观对比效果差异

完整代码实现

# ----------------直方图均衡化图像增强----------------
black = cv2.imread('black.jpg', cv2.IMREAD_GRAYSCALE)
if black is None:
    raise FileNotFoundError("未找到 black.jpg，请检查文件路径")

# 绘制原图灰度直方图
plt.hist(black.ravel(), bins=256)
plt.title("原图灰度直方图")
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("全局均衡化后直方图")
plt.show()

# 拼接原图与全局均衡效果图
res_global = np.hstack((black, black_equalize))
cv2.imshow('Original_GlobalEqualize', res_global)
cv2.waitKey(0)

# 2. CLAHE自适应局部直方图均衡化
# clipLimit：对比度阈值，抑制噪点放大；tileGridSize：图像分块大小
clahe = cv2.createCLAHE(clipLimit=10, tileGridSize=(8, 8))
black_clahe = clahe.apply(black)

# 三图横向拼接对比
res_all = np.hstack((black, black_equalize, black_clahe))
cv2.imshow("Original | Global Equalize | CLAHE Adaptive Equalize", res_all)
cv2.waitKey(0)

cv2.destroyAllWindows()

代码运行结果

1. 全局均衡：整体画面提亮明显，但是人脸等细节区域出现过曝，纹理丢失

2. CLAHE自适应均衡：既提升了整体画面对比度，又完整保留局部细节，无过曝现象，实际项目优先使用

---

四、常见报错问题

1. 图片读取为空报错：图片名称、后缀必须和代码一致，图片与py脚本放在同一文件夹

2. matplotlib中文乱码：代码已提前配置中文字体，无需额外修改

3. 窗口卡顿无法关闭：代码末尾配置cv2.destroyAllWindows()，自动释放窗口资源

4. 金字塔尺寸报错：做金字塔采样尽量使用512*512、256*256这类2的整数次幂尺寸图片

五、全文总结

1. 图像金字塔：实现带降噪的多尺度图像缩放，缩放后图像信息不可逆丢失，可通过拉普拉斯金字塔找回细节

2. 图像直方图：快速分析图像明暗与色调，支持全局统计和局部掩膜统计

3. 直方图均衡化：低成本图像增强算法，追求细节效果直接选用CLAHE自适应均衡