【OpenCV 图像处理实战：从直方图到透视变换全攻略】

本文将系统梳理 OpenCV 中直方图统计、Mask 掩模、直方图均衡化、图像透视变换四大核心技术结合完整代码与详细解析带你从基础到进阶掌握图像处理实战技能。一、图像直方图像素分布的可视化直方图是图像像素灰度级分布的直观表达能帮我们分析图像的亮度、对比度与色彩分布。1.1 核心 APIcv2.calcHist# cv2.calcHist(images, channels, mask, histSize, ranges) # images: 输入图像需用[]包裹如[img]格式为uint8/float32 # channels: 通道索引灰度图为[0]彩色图BGR对应[0]/[1]/[2] # mask: 掩模图像统计全图填None统计局部需传入自定义掩模 # histSize: BINS数量直方图柱子数需用[]包裹如[256] # ranges: 像素值范围通常为[0,256]1.2 灰度图直方图绘制import cv2 import matplotlib.pyplot as plt # 1. 读取灰度图 phone cv2.imread(phone.png, cv2.IMREAD_GRAYSCALE) # 方式1matplotlib直接绘制精细粒度直方图 a phone.ravel() # 将二维图像拉成一维数组 plt.hist(a, bins256) # bins256表示每个灰度级对应一根柱子 plt.show() # 方式2OpenCV统计matplotlib绘制曲线直方图 phone_hist cv2.calcHist([phone], [0], None, [16], [0,256]) # histSize16将0-255拆为16个区间 plt.plot(phone_hist) plt.show()1.3 彩色图三通道直方图img cv2.imread(phone.png) color (b, g, r) for i, col in enumerate(color): histr cv2.calcHist([img], [i], None, [256], [0,256]) plt.plot(histr, colorcol) # 用对应颜色绘制各通道直方图 plt.show()运行结果二、Mask 掩模精准提取图像局部区域Mask掩模是一张黑白二值图用于指定只处理图像的局部区域避免修改无关像素。2.1 Mask 的创建与应用import numpy as np # 1. 读取灰度图 phone cv2.imread(phone.png, cv2.IMREAD_GRAYSCALE) cv2.imshow(phone, phone) cv2.waitKey(0) # 2. 创建Mask与原图像同尺寸的全黑图像 mask np.zeros(phone.shape[:2], np.uint8) mask[50:350, 100:470] 255 # 将矩形区域设为白色感兴趣区域 cv2.imshow(mask, mask) cv2.waitKey(0) # 3. 应用Mask提取局部图像 Phone_mask cv2.bitwise_and(phone, phone, maskmask) # 仅保留Mask白色区域 cv2.imshow(phone_mask, Phone_mask) cv2.waitKey(0)2.2 Mask 在直方图统计中的应用# 仅统计Mask白色区域的直方图 phone_hist_mask cv2.calcHist([phone], [0], mask, [256], [0,256]) plt.plot(phone_hist_mask) plt.show()三、直方图均衡化增强图像对比度直方图均衡化通过拉伸像素分布改善偏暗 / 偏亮图像的对比度让细节更清晰。3.1 全局直方图均衡化cv2.equalizeHist# 读取偏暗灰度图 black cv2.imread(black.jpg, cv2.IMREAD_GRAYSCALE) # 绘制原始直方图 plt.hist(black.ravel(), bins256) plt.show() # 全局均衡化 black_equalize cv2.equalizeHist(black) # 绘制均衡化后直方图 plt.hist(black_equalize.ravel(), bins256) plt.show() # 横向拼接对比效果 res np.hstack((black, black_equalize)) # hstack水平拼接图像 cv2.imshow(black_equalize, res) cv2.waitKey(0)3.2 自适应直方图均衡化CLAHE保留局部细节全局均衡化易导致过曝CLAHE 通过局部区域均衡化解决此问题# 创建CLAHE对象 clahe cv2.createCLAHE(clipLimit10, tileGridSize(8,8)) # clipLimit: 对比度阈值默认8tileGridSize: 局部区域大小默认(8,8) black_clahe clahe.apply(black) # 横向拼接原图 全局均衡化 CLAHE均衡化 res np.hstack((black, black_equalize, black_clahe)) cv2.imshow(black_clahe, res) cv2.waitKey(0)四、图像透视变换矫正倾斜 / 畸变图像透视变换能将倾斜、畸变的图像如倾斜的发票、身份证矫正为正视图。4.1 核心工具函数import numpy as np import cv2 def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) def order_points(pts): # 对4个顶点排序左上→右上→右下→左下 rect np.zeros((4, 2), dtypefloat32) s pts.sum(axis1) rect[0] pts[np.argmin(s)] # 左上xy最小 rect[2] pts[np.argmax(s)] # 右下xy最大 diff np.diff(pts, axis1) rect[1] pts[np.argmin(diff)] # 右上y-x最小 rect[3] pts[np.argmax(diff)] # 左下y-x最大 return rect def four_point_transform(image, pts): # 获取排序后的顶点 rect order_points(pts) (tl, tr, br, bl) rect # 计算目标图像宽高 widthA np.sqrt(((br[0]-bl[0])**2) ((br[1]-bl[1])**2)) widthB np.sqrt(((tr[0]-tl[0])**2) ((tr[1]-tl[1])**2)) maxWidth max(int(widthA), int(widthB)) heightA np.sqrt(((tr[0]-br[0])**2) ((tr[1]-br[1])**2)) heightB np.sqrt(((tl[0]-bl[0])**2) ((tl[1]-bl[1])**2)) maxHeight max(int(heightA), int(heightB)) # 目标坐标 dst np.array([[0,0], [maxWidth-1,0], [maxWidth-1,maxHeight-1], [0,maxHeight-1]], dtypefloat32) # 计算透视变换矩阵 M cv2.getPerspectiveTransform(rect, dst) # 执行变换 warped cv2.warpPerspective(image, M, (maxWidth, maxHeight)) return warped def resize(image, widthNone, heightNone, intercv2.INTER_AREA): # 保持宽高比缩放图像 (h, w) image.shape[:2] if width is None and height is None: return image if width is None: r height / float(h) dim (int(w*r), height) else: r width / float(w) dim (width, int(h*r)) resized cv2.resize(image, dim, interpolationinter) return resized4.2 完整透视变换流程以发票矫正为例# 1. 读取并缩放图像 image cv2.imread(fapiao.jpg) cv_show(image, image) ratio image.shape[0] / 500.0 # 计算缩放比例 orig image.copy() image resize(orig, height500) # 按高度500缩放 cv_show(1,image) # 2. 轮廓检测 print(STEP 1: 轮廓检测) gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) edged cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] # 自动阈值二值化 cnts cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)[-2] image_contours cv2.drawContours(image.copy(), cnts, -1, (0,0,255), 1) cv_show(image_contours, image_contours) # 3. 获取最大轮廓并近似为四边形 print(STEP 2: 获取最大轮廓) screenCnt sorted(cnts, keycv2.contourArea, reverseTrue)[0] # 取面积最大的轮廓 peri cv2.arcLength(screenCnt, True) # 计算轮廓周长 screenCnt cv2.approxPolyDP(screenCnt, 0.05 * peri, True) # 轮廓近似为四边形 image_contour cv2.drawContours(image.copy(), [screenCnt], -1, (0,255,0), 2) cv2.imshow(image_contour, image_contour) cv2.waitKey(0) # 4. 执行透视变换 warped four_point_transform(orig, screenCnt.reshape(4, 2) * ratio) # 还原缩放比例 cv2.imwrite(invoice_new.jpg, warped) # 保存矫正后的图像 cv2.imshow(xx, warped) cv2.waitKey(0)运行结果技术核心作用关键函数直方图统计分析图像像素分布cv2.calcHist()、plt.hist()Mask 掩模精准提取局部区域cv2.bitwise_and()、cv2.calcHist(..., maskmask)全局直方图均衡化增强整体对比度cv2.equalizeHist()CLAHE 均衡化局部增强对比度保留细节cv2.createCLAHE()、clahe.apply()透视变换矫正倾斜 / 畸变图像cv2.getPerspectiveTransform()、cv2.warpPerspective()