目錄
一、圖像直方圖：讀懂圖像的 “像素分布報告”
1. 什么是圖像直方圖？
2. 圖像直方圖的核心作用
（1）分析亮度分布
（2）判斷對比度高低
（3）輔助圖像增強與閾值分割
（4）檢測色彩偏移
3、舉例
4. OpenCV 直方圖計算：cv2.calcHist()?詳解
（1）函數語法與參數解析
（2）實戰案例：計算灰度圖與彩色圖直方圖
(3）運行結果分析
二、掩碼圖像（Mask）：精準定位感興趣區域
1. 什么是掩碼圖像？
2. 掩碼的核心應用場景
3. OpenCV 掩碼操作：cv2.bitwise_and()?詳解
（1）函數語法
（2）實戰案例：用掩碼提取局部區域并計算直方圖
3）運行結果分析
在計算機視覺領域，圖像直方圖和掩碼圖像是兩種基礎且核心的技術。直方圖是分析圖像像素分布的 “數據眼鏡”，掩碼則是精準定位感興趣區域的 “手術刀”。本文將從概念原理出發，結合 OpenCV 實戰代碼，詳細講解圖像直方圖的計算與應用、掩碼圖像的制作與使用，以及直方圖均衡化（含自適應均衡化）的實現，幫助大家掌握這兩項 OpenCV 高階技能。
一、圖像直方圖：讀懂圖像的 “像素分布報告”
1. 什么是圖像直方圖？
圖像直方圖是描述圖像像素值分布的統計圖形，它將圖像的像素值（通常 0-255）作為橫軸，像素值出現的頻次（或概率）作為縱軸，用柱狀圖或折線圖展示。
- 對灰度圖：直方圖反映不同灰度級（0-255）的像素數量；
- 對彩色圖：可分別展示藍（B）、綠（G）、紅（R）三通道的像素分布。
簡單來說，直方圖就像圖像的 “體檢報告”，通過它能快速判斷圖像的亮度、對比度等關鍵信息。
2. 圖像直方圖的核心作用
（1）分析亮度分布
- 若直方圖峰值集中在左側（低像素值）：圖像整體偏暗；
- 若峰值集中在右側（高像素值）：圖像整體偏亮；
- 若峰值分布均勻：圖像亮度適中。
（2）判斷對比度高低
- 直方圖寬度寬（像素值跨度大，從 0 到 255 覆蓋完整）：對比度高，細節清晰；
- 直方圖寬度窄（像素值集中在某一區間）：對比度低，圖像灰蒙蒙。
（3）輔助圖像增強與閾值分割
- 直方圖均衡化：通過重新分布像素值，擴大對比度；
- 閾值分割：利用直方圖的 “雙峰谷底” 確定分割閾值，分離前景與背景（如分割文字與背景）。
（4）檢測色彩偏移
對彩色圖三通道直方圖對比，若某一通道（如紅色）峰值偏移明顯，說明圖像存在色彩偏色。
3、舉例
灰度值在0 - 255范圍之間總共 256 個值，可以將我們的范圍劃分為子部分（稱為bins），例
4. OpenCV 直方圖計算：cv2.calcHist()?詳解
（1）函數語法與參數解析
cv2.calcHist(images, channels, mask, histSize, ranges, accumulate=False)
（2）實戰案例：計算灰度圖與彩色圖直方圖
import cv2
import matplotlib.pyplot as plt
import numpy as np# 1. 讀取灰度圖并計算直方圖
# 讀取灰度圖像（以手機圖像為例）
gray_img = cv2.imread("phone.png", cv2.IMREAD_GRAYSCALE)
if gray_img is None:print("圖像讀取失敗，請檢查文件路徑！")exit()# 方法1：用matplotlib直接繪制（需將圖像展平為一維數組）
plt.figure(figsize=(12, 5))
plt.subplot(1, 3, 1)
plt.hist(gray_img.ravel(), bins=256, color='gray') # ravel()將二維圖像轉為一維
plt.title("灰度圖直方圖（matplotlib）")
plt.xlabel("像素值（0-255）")
plt.ylabel("像素數量")# 方法2：用OpenCV的cv2.calcHist()計算（bins=16，分組更粗）
hist_cv2 = cv2.calcHist([gray_img], [0], None, [16], [0, 256])
plt.subplot(1, 3, 2)
plt.plot(hist_cv2, color='black', marker='o') # 折線圖展示
plt.title("灰度圖直方圖（cv2.calcHist，bins=16）")
plt.xlabel("分組索引（0-15）")
plt.ylabel("像素數量")# 2. 讀取彩色圖并計算三通道直方圖
color_img = cv2.imread("phone.png") # OpenCV默認BGR格式
color = ('b', 'g', 'r') # 對應B/G/R通道plt.subplot(1, 3, 3)
for i, col in enumerate(color):# 分別計算B、G、R通道的直方圖hist_channel = cv2.calcHist([color_img], [i], None, [256], [0, 256])plt.plot(hist_channel, color=col, label=f"{col.upper()}通道")plt.title("彩色圖三通道直方圖")
plt.xlabel("像素值（0-255）")
plt.ylabel("像素數量")
plt.legend()
plt.tight_layout()
plt.show()# 展示原始圖像
cv2.imshow("灰度圖", gray_img)
cv2.imshow("彩色圖（BGR）", color_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
(3）運行結果分析
- 灰度圖直方圖：可直觀看到圖像像素集中在哪個區間（如集中在 100-200，說明圖像偏亮）；
- 彩色圖三通道：若 B 通道峰值高于 G/R，說明圖像偏藍；反之則偏紅或偏綠；
bins=16?時，直方圖更簡潔，適合快速觀察整體分布趨勢。
二、掩碼圖像（Mask）：精準定位感興趣區域
1. 什么是掩碼圖像？
掩碼圖像是與原圖像尺寸完全相同的二進制圖像，像素值僅為?0?或?255（無符號 8 位整數，np.uint8）：
- 像素值為?
0：屏蔽區域（后續操作不處理該區域）； - 像素值為?
255：保留區域（后續操作僅作用于該區域）。
形象地說，掩碼就像 “照片遮罩”，只讓感興趣的區域 “透出來” 參與處理。
2. 掩碼的核心應用場景
- 計算局部區域的直方圖（如僅分析人臉區域的亮度）；
- 圖像修復（如僅修復口罩遮擋的面部區域）；
- 目標分割（如僅提取圖像中的文字區域）；
- 圖像融合（如將 logo 貼到指定區域）。
3. OpenCV 掩碼操作：cv2.bitwise_and()?詳解
掩碼通常與按位與運算結合使用，原理是：原圖像像素 & 掩碼像素，只有當掩碼像素為 255（二進制 11111111）時，原像素值才保留；若掩碼為 0（二進制 00000000），結果為 0（黑色）。
（1）函數語法
cv2.bitwise_and(src1, src2, dst=None, mask=None)
（2）實戰案例：用掩碼提取局部區域并計算直方圖
import cv2
import numpy as np
import matplotlib.pyplot as plt# 1. 讀取灰度圖像
gray_img = cv2.imread("phone.png", cv2.IMREAD_GRAYSCALE)
cv2.imshow("原始灰度圖", gray_img)
cv2.waitKey(0)# 2. 創建掩碼圖像（步驟：全0矩陣 → 局部設為255）
# 2.1 生成與原圖像尺寸相同的全0矩陣（純黑圖像）
mask = np.zeros(gray_img.shape[:2], dtype=np.uint8) # shape[:2]取高和寬
# 2.2 定義感興趣區域（ROI）：[y1:y2, x1:x2]（注意：OpenCV中坐標是(y, x)）
# 此處以“手機屏幕區域”為例，需根據實際圖像調整坐標
mask[50:350, 100:470] = 255 # 該區域設為255（白色）# 展示掩碼圖像
cv2.imshow("掩碼圖像（白色為保留區域）", mask)
cv2.waitKey(0)# 3. 應用掩碼：提取感興趣區域
masked_img = cv2.bitwise_and(gray_img, gray_img, mask=mask)
cv2.imshow("掩碼提取后的圖像", masked_img)
cv2.waitKey(0)# 4. 對比：全圖直方圖 vs 掩碼區域直方圖
plt.figure(figsize=(10, 4))# 全圖直方圖
plt.subplot(1, 2, 1)
hist_full = cv2.calcHist([gray_img], [0], None, [256], [0, 256])
plt.plot(hist_full, color='black')
plt.title("全圖直方圖")
plt.xlabel("像素值")
plt.ylabel("數量")# 掩碼區域直方圖
plt.subplot(1, 2, 2)
hist_masked = cv2.calcHist([gray_img], [0], mask, [256], [0, 256])
plt.plot(hist_masked, color='red')
plt.title("掩碼區域（手機屏幕）直方圖")
plt.xlabel("像素值")
plt.ylabel("數量")plt.tight_layout()
plt.show()cv2.destroyAllWindows()運行結果如下：
3）運行結果分析
- 掩碼圖像：黑色區域為屏蔽區，白色矩形為保留的 “手機屏幕區域”；
- 掩碼提取后的圖像：僅屏幕區域保留原像素，其他區域為黑色；
- 直方圖對比：若屏幕區域偏亮，掩碼直方圖峰值會比全圖直方圖更靠右，精準反映局部亮度分布。
