href="https://www.cnblogs.com/ljbguanli/p/19623117"

title="发布于

aria-level="2">计算机视觉opencv之金字塔&直方图

详解

id="content_views">

一、金字塔

（一）高斯金字塔

高斯金字塔是一种图像多尺度表示方法，用于图像处理中的尺寸缩放和多分辨率分析。

1.高斯金字塔操作中的下采样

下采样是一种减小图像尺寸的方法，它通常涉及到降低图像的分辨率，即减少图像中像素的数量，从而使图像看起来更小

image=cv2.imread(r"D:\project\123s.jpg",0)

cv2.imshow('down1',image_down1)

image_down2=cv2.pyrDown(image_down1)

cv2.imshow('down2',image_down2)

对原图进行缩小，删除像素矩阵的偶数行和列，图片变模糊

alt=""

src="https://i-blog.csdnimg.cn/direct/68bc96d1f4294aeeadba68ecd3139837.png"

width="1011">

2.高斯金字塔操作中的上采样

上采样是一种增大图像尺寸的方法，他通过插值和滤波技术来恢复图像的分辨率和细节，通常用意图像放大或与下采样后的图像进行比较（这里我们接着下采样代码后面写）

class="language-python">image_up1=cv2.pyrUp(image)

图片会变得很大，由于太大，不好展示，上采样是插入零行或列

3.对下采样后图像进行上采样

class="language-python">'''对下采样后图像进行上采样，图像变模糊，无法复原'''

image_down1_up=cv2.pyrUp(image_down1)

image_down2_up=cv2.pyrUp(image_down2)

cv2.imshow('down1_up',image_down1_up)

cv2.imshow('down2_up',image_down2_up)

src="https://i-blog.csdnimg.cn/direct/f8a19f1152b649149ac0e6fd0a0022b3.png"

width="1039">

（二）拉普拉斯金字塔

拉普拉斯金字塔是高斯金字塔的“细节补充”版本，用于保存和恢复图像高频细节。

拉普拉斯

上采样的模糊图

这里我们在L0和L1之间加入的使用resize是让down2——up图片尺寸和down1图片尺寸保持一致，这样才可以进行相减，不进行尺寸一致，就会报错

class="language-python">'''拉普拉斯金字塔'''

image_down2_up

src="https://i-blog.csdnimg.cn/direct/6cc5074283204970a88dfdc1224b3fa8.png"

width="1871">

三、直方图

cv2.calcHist(images,channeLs,mask,histSize,ranges)

：计算图像的直方图,用于表示图像中像素灰度级别的分布情况.

• images:原图像图像格式为uint8或float32。

  当传入函数时应用中括号[]括来，例如[img]

• channels:表示传入的图像通道数。

  如果输入图像是灰度图它的值就是[0]。

  如果是彩色图像的传入的参数可以是[0][1][2]它们分别对应着BGR。

• mask:掩模图像。

  统计整幅图像的直方图就把它为None。

  但是如果你想统计图像某一部分的直方图，你就制作一个掩模图像并使用它。

• histSize:BINS的数目。

  也需用中括号括来(分成多少个区间)

• BINS:上面的直方图显示了每个像素值的像素数，即从0到255。

  即您需要256个值才能显示上述直方图。

image=cv2.imread(r"D:\project\cat2s.jpg")

a=image.ravel()#将图像转换为一维数组，numpy的ravel函数

plt.hist(a,bins=256)#matplotlib的hist函数绘制直方图

plt.show()

image_hist=cv2.calcHist([image],[0],None,[16],[0,256])

plt.plot(image_hist)#使用calcHist的值绘制曲线图

src="https://i-blog.csdnimg.cn/direct/27fb5869ad7948d7a7239332f96e1630.png"

width="335">

src="https://i-blog.csdnimg.cn/direct/b887124f541148da856020a06ed28c2c.png"

width="333">

class="language-python">img=cv2.imread(r"D:\project\cat2s.jpg")

color=('b','g','r')

enumerate(color):histr=cv2.calcHist([img],[i],None,[256],[0,256])plt.plot(histr,color=col)

src="https://i-blog.csdnimg.cn/direct/d7db10d6161e44339f79650017fe62ad.png"

width="943">

cv2.bitwise_and():对图像(灰度图像或彩色图像均可)每个像素值进行二进制"与"操作，1&1=1，1&0=0，01=0，0&0=0

bitwise_and(src1,

src2,

mask=None)参数:

• src1、Src2:为输入图像或标量，标src1和src2相与。

• dst:可选输出变量，如果需要使用非None则要先定义，且其大小与输入变量相同
• mask:图像掩膜，可选参数，用于指定要更改的输出图像数组的元素，mask为o的值，src1和Isrc2相与的值都为0非的值，为src1和src2相与的值。

mask：直方图掩膜（mask）是一个二值图像，用于指定计算直方图的区域。

作用：只统计掩膜白**域(255)的像素，忽略黑**域(0)

class="language-python">img2=cv2.imread(r"D:\project\cat2s.jpg",cv2.IMREAD_GRAYSCALE)

cv2.waitKey(0)

mask=np.zeros(img2.shape[:2],np.uint8)

cv2.waitKey(0)

img2_mask=cv2.bitwise_and(img2,img2,mask=mask)

cv2.imshow('img_mask',img2_mask)

cv2.waitKey(0)

img2_hist_mask=cv2.calcHist([img2],[0],mask,[256],[0,256])

src="https://i-blog.csdnimg.cn/direct/425d273d348e4ab5a0ddabcd20433402.png"

alt=""

src="https://i-blog.csdnimg.cn/direct/7df4d997eb364f939c5dc50c9a997e4b.png"

width="954">

三、直方图的均衡化

真方图均衡化:真方图均衡化是一种图像增强技术，它可以通过增加图像的对比度和亮度来改善图像的质量。

直方图均衡化通过将图像的像素值分布均匀化来实现这一目标。

在Python

OpenCV中,可以使用cv2.equalizeHist()函数来实现直方图均衡化。

该函数将输入图像转换为灰度图像，并将其像素值分布均匀化，从而增强图像的对比度和亮度。

black=cv2.imread("black.jpg",cv2.IMREAD_GRAYSCALE)

plt.hist(black.ravel(),bins=256)#多维数组拉为一维

plt.show()

black_equalize=cv2.equalizeHist(black)

plt.hist(black_equalize.ravel(),bins=256)

plt.show()

res=np.hstack((black,black_equalize))#横向拼接，将多个数组按水平方向（列顺序）堆叠一个新的数组

cv2.imshow('black_equalize',res)

src="https://i-blog.csdnimg.cn/direct/e745648ba59245db81dad71616fd2f3f.png"

width="861">

自适应百方图均衡化(局部百方图处理），通过局部调整图像的直方图分布来提升图像的对比度和细节表现力，当需要保存细节特征，需要做局部处理

cv2.createCLAHE([,

clipLimit[,

参数说明:

• clipLimit:颜色对比度的阈值，可选项，默认值8
• titleGridSize:局部直方图均衡化的模板(邻域)大小，可选项，默认值(8,8)

可以调节参数的值得到处理比较好的图片

class="language-python">clahe=cv2.createCLAHE(clipLimit=30,tileGridSize=(3,3))#通过类创建了一个局部均衡化对象

res=np.hstack((black,black_equalize,black_clahe))

cv2.imshow('black_equalize',res)

src="https://i-blog.csdnimg.cn/direct/f24f0531bcb644d19677b98a048c1935.png"

width="1290">