目录
1、霍夫直线变换（Hough Line Transform）
一、直方图均衡化
1、什么是直方图均衡化
（1）定义
直方图均衡化是一种用于增强图像对比度的图像处理技术。它通过重新分布图像的像素强度值（灰度值），使得像素值尽可能地均匀分布在 0~255 范围内，从而提升图像的视觉效果，尤其是当图像整体偏暗或偏亮时。
（2）原理
1、目标：
让图像的灰度级分布更“均匀”，增强对比度。
2、核心思想：
-
统计原始图像的灰度直方图（每个灰度值出现的频率）。
-
计算累积分布函数（CDF, Cumulative Distribution Function）。
-
利用 CDF 对原始像素值进行映射 → 得到新的像素值。
-
新图像的直方图趋于平坦（即各个灰度级使用更均衡）。
3、数学过程简述：
设图像大小为 M×N ，总像素数 S=M×N
-
直方图：h(k)= 灰度值为 k 的像素个数（k=0,1,...,255 ）
-
概率分布：p(k)=Sh(k)
-
累积分布：cdf(k)=∑j=0kp(j)
-
映射函数：T(k)=round(255×cdf(k))
然后将原图中所有灰度值为 k 的像素替换为 T(k) 。
（3）直方图均衡化的作用
| 场景 | 效果 |
|---|---|
| 图像过暗 | 提亮细节 |
| 图像过亮 | 增强阴影部分 |
| 对比度低 | 拉开灰度差距，使纹理更清晰 |
| 医疗影像、监控画面 | 常用于预处理以增强可读性 |
2、绘制直方图
代码示例：
import cv2 as cv
import numpy as np
# 读图
bg = cv.imread('../images/bg.png')
# 创建黑图，绘制直方图
black = np.zeros((256, 256, 3),np.uint8)
# 统计像素 cv.calcHist(图像，通道，掩膜， bins， ranges)
hist = cv.calcHist([bg], [1], None, [256], [0, 256])
print(hist)
# 获取直方图的最小值 ，以及最大值和最小值对应的索引 [列，行 ] （x，y）
minVal, maxVal, minLoc, maxLoc = cv.minMaxLoc(hist)
# 定义直方图的高
h_hist = np.int32(256)
# 循环拿像素的个数
for i in range(256):
# 获取像素的个数
l = int(hist[i].item() * h_hist/maxVal)
point1 = (i, 256 - l)
point2 = (i, 256)
cv.line(black , point1, point2, (255, 0, 0), 1)
cv.imshow('dst', black)
cv.waitKey(0)
cv.destroyAllWindows()直方图展示：
可以看出这张图的 像素值分布非常不均衡，所以图像的对比度会很差，观察到的不清晰
3、直方图均衡化
（1）自适应直方图均衡化
OpenCV 提供了简单高效的函数来实现直方图均衡化。
dst = cv.equalizeHist(src)
src：输入图像，必须是 单通道灰度图（Grayscale），类型uint8
dst：输出图像，经过均衡化后的灰度图
代码示例：
import cv2 as cv
# 读图
img = cv.imread('../images/num.png', cv.IMREAD_GRAYSCALE)
# 直方图均衡化
dst = cv.equalizeHist(img)
cv.imshow("img", img)
cv.imshow("dst", dst)
cv.waitKey(0)
cv.destroyAllWindows()结果展示：
可以看出经过直方图均衡化的图像更亮了，对比度更高了，但是我们能看到，人头像的脸部明显曝光严重，已经看不清轮廓了，这就是普通的自适应直方图均衡化的缺点，由此我们引入了对比度受限的自适应直方图均衡化。
（2）对比度受限的自适应直方图均衡化
普通直方图均衡化对整个图像进行处理，可能导致噪声放大或局部过增强。为此，OpenCV 提供了 CLAHE（Contrast Limited Adaptive Histogram Equalization）。
CLAHE 原理
将图像分成小块（称为 tiles）
对每个小块进行直方图均衡化
使用对比度限制（clip limit）防止噪声放大
最后通过双线性插值拼接块，避免块边界明显
API使用：
# 创建 CLAHE 对象
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# 对灰度图应用 CLAHE
img_clahe = clahe.apply(img) # img 是灰度图-
clipLimit：对比度限制阈值，防止过增强（默认 2.0） -
tileGridSize：分块大小，如 (8,8) 表示 8x8 个小块
代码示例：
import cv2 as cv
img = cv.imread('../images/zhifang.png', cv.IMREAD_GRAYSCALE)
# 创建CLAHE对象
clahe = cv.createCLAHE(clipLimit = 2.0, tileGridSize = (8, 8))
# 使用CLAHE调用apply（）方法
cl1 = clahe.apply(img)
cv.imshow('img', img)
cv.imshow('cl1', cl1)
cv.waitKey(0)
cv.destroyAllWindows()结果展示：
可以看出我们的CLAHE既能提升对比度，但也不会造成脸部曝光，效果更好。
注意事项：
输入图像必须是
uint8类型彩色图像建议先转到 YUV/HSV 空间再处理亮度通道
CLAHE 的
tileGridSize不宜太小，否则计算量大；不宜太大，否则失去局部性
clipLimit过大会导致噪声增强，一般设为 2~4
二、模板匹配
1、什么是模板匹配
（1）定义
模板匹配（Template Matching） 是一种在大图像（源图像）中寻找与小图像（模板图像）最相似区域的图像处理技术。
-
模板图像（Template）：你想找的小图像（比如一个图标、一个数字、一个按钮）。
-
源图像（Source）：你要在其中搜索的大图像（比如整个屏幕截图）。
-
目标：找出模板在源图像中出现的位置（通常是左上角坐标）。
（2）基本思想
-
将模板图像在源图像上滑动（从左到右，从上到下）。
-
在每个位置，计算模板与当前区域的相似度。
-
相似度最高的位置，就是最可能匹配的位置。
（3）匹配方法
OpenCV 提供了多种匹配方法，通过 cv2.matchTemplate() 的 method 参数指定。常见的有：
| 方法 | 说明 |
|---|---|
|
| 平方差匹配，值越小越匹配（最佳匹配处为0） |
|
| 归一化平方差，值越接近0越匹配 |
|
| 相关匹配，值越大越匹配 |
|
| 归一化相关匹配，值在 [0,1]，越接近1越匹配 ✅（推荐） |
|
| 相关系数匹配，值越大越匹配 |
|
| 归一化相关系数匹配，值在 [-1,1]，越接近1越匹配 ✅（最常用） |
✅ 推荐使用
TM_CCOEFF_NORMED或TM_CCORR_NORMED，因为它们对光照变化更鲁棒。
API使用：
result = cv2.matchTemplate (image, template, method, result=None, mask=None)
参数说明
| 参数 | 说明 |
|---|---|
|
| 源图像（大图），灰度图或彩色图 |
|
| 模板图像（小图），必须比源图像小 |
|
| 匹配方法，如 |
|
| 输出匹配结果的矩阵（可选） |
|
| 掩码（仅用于 |
返回值
-
一个二维数组（热力图），每个位置的值表示该位置的匹配程度。
-
值越高（或越低，取决于方法）表示越匹配。
2、绘制轮廓
示例代码：
import cv2 as cv
import numpy as np
# 读图
img = cv.imread('../images/game.png')
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# print(gray_img.shape)
temp = cv.imread('../images/temp.png')
gray_temp = cv.cvtColor(temp, cv.COLOR_BGR2GRAY)
h, w = temp.shape[:2]
# print(gray_temp.shape)
# 模板匹配 拿到匹配结果矩阵
res = cv.matchTemplate(gray_img, gray_temp, cv.TM_CCOEFF_NORMED)
# print(res.shape)
# 设置阈值
thresh = 0.8
# 获取匹配上的结果的索引
loc = np.where(res >= thresh)
# print(len(loc))
# 解包，拿到成对的 x y 索引
for i in zip(*loc):
x, y = i[1], i[0]
cv.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 1)
cv.imshow('img', img)
cv.waitKey(0)
cv.destroyAllWindows()展示结果：
匹配相应形状，绘出轮廓：
三、霍夫变换
霍夫变换（Hough Transform） 是一种用于检测图像中具有特定形状（如直线、圆等）的特征提取技术。它通过将图像空间中的点映射到参数空间进行投票，从而检测出这些几何形状。
为什么需要霍夫变换？
-
边缘检测（如 Canny）只能得到离散的边缘点。
-
霍夫变换可以将这些点 “连接” 起来，识别出直线、圆等几何结构。
-
对噪声和缺失部分具有较强的鲁棒性。
1、霍夫直线变换（Hough Line Transform）
（1）原理
在笛卡尔坐标系中，一条直线表示为：
y=mx+b
但当直线垂直时，斜率 m 会趋于无穷大，不方便处理。
因此，霍夫变换使用极坐标表示：
xcosθ+ysinθ=ρ
其中：
-
ρ ：原点到直线的垂直距离
-
θ ：该垂线与 x 轴的夹角
（2）变换过程：
-
对图像中的每一个边缘点 (x,y)
-
在参数空间 (ρ,θ) 中，绘制所有可能经过该点的直线（即曲线）
-
多个点共线时，这些曲线会在 (ρ,θ) 空间相交于一点
-
通过“投票”机制，统计交点的得票数，得票高的点即为检测到的直线
（3）API：cv2.HoughLines() 和 cv2.HoughLinesP()
标准霍夫变换：cv2.HoughLines()
lines = cv2.HoughLines(edges, rho, theta, threshold)
-
edges：二值边缘图像（如 Canny 检测结果） -
rho：ρ 的精度（像素单位，通常为 1） -
theta：θ 的精度（弧度单位，通常为np.pi/180） -
threshold：投票阈值，只有得票数超过该值才认为是直线
返回值：lines 是一个数组，每个元素是 (rho, theta) 对
⚠️ 缺点：返回的是无限长的直线，且计算量大。
示例代码：
import cv2 as cv
import numpy as np
# 读图
img = cv.imread("../images/huofu.png")
# 灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 二值化
_, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
# 边缘检测
edges = cv.Canny(binary, 30, 70)
# 霍夫变换 返回的是[r, theta]
lines = cv.HoughLines(edges, 0.8, np.pi/180, 90)
for line in lines:
r, theta = line[0]
sin_theta = np.sin(theta)
cos_theta = np.cos(theta)
x1, x2 = 0, img.shape[1]
y1 = int((r - x1 * cos_theta)/sin_theta)
y2 = int((r - x2 * cos_theta)/sin_theta)
cv.line(img, (x1, y1), (x2, y2), (0, 255, 0), 1)
cv.imshow('img', img)
cv.waitKey(0)
cv.destroyAllWindows()结果展示：
概率霍夫变换：cv2.HoughLinesP()（推荐使用）
lines = cv2.HoughLinesP(edges, rho, theta, threshold, minLineLength=None, maxLineGap=None)
-
minLineLength：最小线段长度（小于该值的线段被丢弃） -
maxLineGap：允许将两条线段视为一条线的最大间隔
返回值：每条线段表示为 [x1, y1, x2, y2]
✅ 优点：直接返回线段端点，适合实际应用。
示例代码：
import cv2 as cv
import numpy as np
# 读图
img = cv.imread("../images/huofu.png")
# 灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 二值化
_, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
# 边缘检测
edges = cv.Canny(binary, 30, 70)
lines = cv.HoughLinesP(binary, 0.8, np.pi/180, 90, minLineLength = 30, maxLineGap = 10)
for line in lines:
x1, y1, x2, y2 = line[0]
cv.line(img, (x1, y1), (x2, y2), (0, 0, 255), 1)
cv.imshow('img', img)
cv.waitKey(0)
cv.destroyAllWindows()结果展示：
2、霍夫圆变换
（1）原理
圆的方程为：
参数空间为三维：圆心 (a,b) 和半径 r
霍夫圆变换对每个边缘点在 (a,b,r) 空间进行投票，找到峰值点。
由于计算量大，OpenCV 使用 霍夫梯度法（Hough Gradient Method），先利用边缘方向信息缩小搜索范围。
（2）API
circles = cv2.HoughCircles(image, method, dp, minDist,
param1=None, param2=None,
minRadius=0, maxRadius=0)
-
image：灰度图像（必须是单通道） -
method：目前只支持cv2.HOUGH_GRADIENT -
dp：累加器分辨率与图像分辨率的反比（如dp=1表示相同分辨率，dp=2表示一半） -
minDist：检测到的圆心之间的最小距离 -
param1：Canny 边缘检测的高阈值（低阈值自动为一半） -
param2：累加器阈值，越小检测到的圆越多（通常 10~50） -
minRadius,maxRadius：圆的最小和最大半径
示例代码：
import cv2 as cv
import numpy as np
# 读图
img = cv.imread("../images/huofu.png")
# 灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 二值化
_, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
# 边缘检测
edges = cv.Canny(binary, 30, 70)
# 霍夫圆变换 cv.HoughCircles(edges, method, dp, minDist, param1, param2, minRadius, maxRadius)
circles = cv.HoughCircles(edges, cv.HOUGH_GRADIENT, 1, 20, param2=20)
for circle in circles:
x, y, r = circle[0]
x, y, r = np.int_(np.round(x)), np.int_(np.round(y)), np.int_(np.round(r))
cv.circle(img, (x, y), r, (0, 255, 0), 2)
cv.imshow('img', img)
cv.waitKey(0)
cv.destroyAllWindows()结果展示：
四、图像亮度调整
1、亮度变换
（1）什么是亮度？
亮度（Brightness）是指图像中像素的灰度值或颜色强度。对于灰度图像，亮度就是像素值（0~255）；对于彩色图像，通常是对每个颜色通道（如 R、G、B）分别处理。
2、线性变换
代码示例：
import cv2 as cv
# 读图
cat = cv.imread('../images/cat1.png')
# 线性变换
dst = cv.addWeighted(cat, 1, cat, 0, -50)
cv.imshow('cat', cat)
cv.imshow('dst', dst)
cv.waitKey(0)
cv.destroyAllWindows()
结果展示：
3、直接像素值修改
这里我们采用一个有趣的滑动条来实现我们直观的像素值修改。
示例代码：
import cv2 as cv
import numpy as np
# 读图
img = cv.imread("../images/cat1.png")
# 创建窗口 用于实现滑条
window_name = "slide"
cv.namedWindow(window_name)
def change(p):
x = p/256*511-255
dst = np.uint8(np.clip(img + x, 0, 255))
cv.imshow("dst", dst)
print(x)
# 创建滑条
initial_value = 100
change(initial_value)
cv.createTrackbar("add_p", window_name, initial_value, 255, change)
cv.waitKey(0)
cv.destroyAllWindows()结果展示：
五、形态学变换
形态学变换主要作用于二值图像（黑白图像），但也适用于灰度图像。其核心思想是使用一个称为结构元素（Structuring Element） 的小矩阵（也叫核）在图像上滑动，根据核的形状和位置对图像像素进行变换。
1、核
核（kernel）其实就是一个小区域，通常为3*3、5*5、7*7大小，有着其自己的结构，比如矩形结构、椭圆结构、十字形结构，通过不同的结构可以对不同特征的图像进行形态学操作的处理。
import cv2 as cv
import numpy as np
car = cv.imread("../images/cat1.png", cv.IMREAD_GRAYSCALE)
# 定义核
kernel = np.ones((5, 5), np.uint8)2、腐蚀
-
原理：将图像中的前景物体“变小”，消除细小的白色噪点，分离相连的物体。
-
规则：只有当结构元素完全覆盖在前景区域（白色）时，中心像素才保留为白色，否则变为黑色。
-
效果：边界被“腐蚀”掉一层。
适用于去除小的亮斑噪声。
# 腐蚀
erosion = cv.erode(car, kernel, iterations = 1)
cv.imshow("car", car)
cv.imshow("erosion", erosion)
3、膨胀
-
原理：将图像中的前景物体“变大”，填充小的空洞，连接邻近物体。
-
规则：只要结构元素与前景区域有重叠，中心像素就变为白色。
-
效果：边界向外“膨胀”。
常用于连接断裂的边缘。
# 膨胀
dilation = cv.dilate(car, kernel, iterations = 1)
cv.imshow("dilation", dilation)
4、其他运算
（1）开运算（Opening）
-
定义：先腐蚀，再膨胀。
-
公式：
opening = dilation(erode(image)) -
作用：去除小的噪点，同时保持大物体的形状基本不变。
适合去除图像中的小亮点噪声。
# 开运算
opening = cv.morphologyEx(car, cv.MORPH_OPEN, kernel)
cv.imshow("opening", opening)
（2）闭运算（Closing）
-
定义：先膨胀，再腐蚀。
-
公式：
closing = erode(dilate(image)) -
作用：填充物体内部的小孔或裂缝，连接邻近的物体。
适合去除小的暗点（空洞）。
# 闭运算
closing = cv.morphologyEx(car, cv.MORPH_CLOSE, kernel)
cv.imshow("closing", closing)
（3）形态学梯度（Morphological Gradient）
-
定义：膨胀图减去腐蚀图。
-
公式：
gradient = dilate(image) - erode(image) -
作用：得到物体的轮廓（边缘）。
# 形态学梯度 膨胀与腐蚀的差
gradient = cv.morphologyEx(car, cv.MORPH_GRADIENT, kernel)
cv.imshow("gradient", gradient)
（4）顶帽（Top Hat）
-
定义：原图减去开运算结果。
-
公式：
tophat = image - opening -
作用：突出比结构元素小的亮区域（如细小文字、亮点）。
# 顶帽运算 原图与开运算的差
tophat = cv.morphologyEx(car, cv.MORPH_TOPHAT, kernel)
cv.imshow("tophat", tophat)
（5）黑帽（Black Hat）
-
定义：闭运算结果减去原图。
-
公式：
blackhat = closing - image -
作用：突出比结构元素小的暗区域（如小孔、暗斑）。
# 黑帽运算 闭运算与原图之间的差
blackhat = cv.morphologyEx(car, cv.MORPH_BLACKHAT, kernel)
cv.imshow("blackhat", blackhat)
cv.imshow("car", car)
六、总结
撒花！！以上内容就是我们opencv剩下的全部内容了，掌握了这些我们就已经可以实现大部分简单的图像处理操作了！有任何问题都可以在评论区留下评论或者私信作者哦！
扫一扫
4233
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
