OpenCV实战：直方图、掩膜与均衡化详解

橘子海

发布时间：2026-10-16 | 9人浏览过

原创

本文深入解析OpenCV中图像直方图的计算原理，详细演示cv2.calcHist函数的参数用法。通过掩膜（mask）技术实现局部图像统计，并对比全局直方图均衡化与自适应均衡化（CLAHE）的效果，解决局部过曝或细节丢失问题，提供完整的Python代码示例。

一、图像直方图

1.1 定义

图像直方图是描述图像像素分布的重要统计特征，属于图像的基本属性之一。其横坐标表示像素值在[0,255]区间内的分布，纵坐标则表示对应像素值的出现次数或所占百分比。具体表现如图：

1.2 函数：cv2.calcHist([img1],[channels],mask,histSize,ranges)

img：表示输入的原始图像。

channels：指定统计的通道。若输入为灰度图，参数设为[0]；若为彩色图，则分别传入[0]、[1]或[2]以对应B、G、R通道。

mask：用于指定统计区域。若需统计整幅图像的直方图，该参数设为None；若仅统计特定区域，则需构建一个与img尺寸相同的掩模图像（np数组），目标区域设为255，非目标区域设为0。

histSize：定义直方图的bin数量，通常设为[256]，对应像素值范围[0,255]。

ranges：指定像素值的统计范围，通常为[0, 256]，注意该范围遵循“顾头不顾尾”的原则。

1.3 代码实现：

（1）准备工作加灰度图显示：

import cv2
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
#显示图像
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.cv2.waitKey(0)
    cv2.destroyAllWindows()
#导入图像
img1=cv2.imread("C:/Users/bwy/Desktop/lena.bmp",0)
hist=cv2.calcHist([img1],[0],None,[256],[0,256])
print（hist.shape）
plt.hist(img.ravel(),256)
plt.show()

结果如图（灰度图）：

（2）彩色图三个不同的通道：

img=cv2.imread("C:/Users/bwy/Desktop/7.png")
cv_show('img',img)
color=('b','g','r')
for i,col in enumerate(color):
    histr=cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color=col)
    plt.xlim([0,256])

结果如图：

观察上述两个结果图可知，直方图分布往往极不均匀，并非理想的“矮胖”形态。因此，接下来我们将引入图像直方图均衡化技术。在此之前，先学习掩膜（mask）的相关操作。

二、掩膜（mask)

2.1掩模mask思想：

掩模的尺寸需与原图像保持一致。掩模仅包含0和255两种值：掩模中白色（255）覆盖的区域保留原图数据，黑色（0）覆盖的区域则置为0。若处理彩色图像，构建np数组时需忽略第三个维度（通道），仅保留前两个维度img.shape[:2]，确保掩模尺寸与原图一致。由于mask本质为数组，可利用切片操作将需要保留的区域赋值为255（白色）。

2.2代码：

img.shape[:2]#(420, 607)
#创建mast
mask=np.zeros(img.shape[:2],np.uint8)
mask[100:300,200:400]=255
cv_show('mask',mask)

结果如图：

masked_img=cv2.bitwise_and(img1,img1,mask=mask)
cv_show('masked_img',masked_img)

结果如图：

2.3掩膜过程对比

plt.subplot(221),plt.imshow(img1)
plt.subplot(222),plt.imshow(mask)
plt.subplot(223),plt.imshow(masked_img)
plt.subplot(224),plt.plot(hist_full),plt.plot(hist_mask)
plt.xlim([0,256])
plt.show()

结果如图：

三、直方图均衡化

直方图均衡化通过调整图像各像素的灰度值来改变直方图分布，旨在增强局部对比度，同时保持整体对比度不变。该方法特别适用于背景与前景均过亮或过暗的图像。

3.1对图像整体进行均衡化：

（1）进行均衡化后直方图前后对比显示：

img=cv2.imread("C:/Users/bwy/Desktop/lena.bmp",0)
plt.hist(img.ravel(),256)
plt.show()
equ=cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)
plt.show()

结果对比图：

（2）进行均衡化后图像前后对比显示：

img=cv2.imread("C:/Users/bwy/Desktop/lena.bmp",0)
equ=cv2.equalizeHist(img)
res=np.hstack((img,equ))
cv_show('res',res)

然而，该方法存在一定局限性。以下图为例，你会发现：

图中人物面部过亮，导致细节丢失，无法观察清晰。针对这一问题，我们该如何解决？

3.2 自适应均衡化

1、定义：

自适应均衡化将整幅图像分割为多个小块，并对每个小块分别执行直方图均衡化。其缺点在于可能放大噪声。为避免此问题，需引入对比度限制（Contrast Limited）。

2、代码：

img2=cv2.imread("C:/Users/bwy/Desktop/1.png",0)
img2.shape#(508, 672)
img3=cv2.resize(img2,(400,300))
equ1=cv2.equalizeHist(img3)
clahe=cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))
res_clahe=clahe.apply(img3)
res=np.hstack((img3,equ1,res_clahe))
cv_show('res',res)

结果如图：