目录
4. OpenCV 直方图计算：cv2.calcHist() 详解
3. OpenCV 掩码操作：cv2.bitwise_and() 详解
在计算机视觉领域，图像直方图和掩码图像是两种基础且核心的技术。直方图是分析图像像素分布的 “数据眼镜”，掩码则是精准定位感兴趣区域的 “手术刀”。本文将从概念原理出发，结合 OpenCV 实战代码，详细讲解图像直方图的计算与应用、掩码图像的制作与使用，以及直方图均衡化（含自适应均衡化）的实现，帮助大家掌握这两项 OpenCV 高阶技能。
一、图像直方图：读懂图像的 “像素分布报告”
1. 什么是图像直方图？
图像直方图是描述图像像素值分布的统计图形，它将图像的像素值（通常 0-255）作为横轴，像素值出现的频次（或概率）作为纵轴，用柱状图或折线图展示。
- 对灰度图：直方图反映不同灰度级（0-255）的像素数量；
- 对彩色图：可分别展示蓝（B）、绿（G）、红（R）三通道的像素分布。
简单来说，直方图就像图像的 “体检报告”，通过它能快速判断图像的亮度、对比度等关键信息。
2. 图像直方图的核心作用
（1）分析亮度分布
- 若直方图峰值集中在左侧（低像素值）：图像整体偏暗；
- 若峰值集中在右侧（高像素值）：图像整体偏亮；
- 若峰值分布均匀：图像亮度适中。
（2）判断对比度高低
- 直方图宽度宽（像素值跨度大，从 0 到 255 覆盖完整）：对比度高，细节清晰；
- 直方图宽度窄（像素值集中在某一区间）：对比度低，图像灰蒙蒙。
（3）辅助图像增强与阈值分割
- 直方图均衡化：通过重新分布像素值，扩大对比度；
- 阈值分割：利用直方图的 “双峰谷底” 确定分割阈值，分离前景与背景（如分割文字与背景）。
（4）检测色彩偏移
对彩色图三通道直方图对比，若某一通道（如红色）峰值偏移明显，说明图像存在色彩偏色。
3、举例
灰度值在0 - 255范围之间总共 256 个值，可以将我们的范围划分为子部分（称为bins），例
4. OpenCV 直方图计算：cv2.calcHist() 详解
（1）函数语法与参数解析
cv2.calcHist(images, channels, mask, histSize, ranges, accumulate=False)
（2）实战案例：计算灰度图与彩色图直方图
import cv2
import matplotlib.pyplot as plt
import numpy as np
# 1. 读取灰度图并计算直方图
# 读取灰度图像（以手机图像为例）
gray_img = cv2.imread("phone.png", cv2.IMREAD_GRAYSCALE)
if gray_img is None:
print("图像读取失败，请检查文件路径！")
exit()
# 方法1：用matplotlib直接绘制（需将图像展平为一维数组）
plt.figure(figsize=(12, 5))
plt.subplot(1, 3, 1)
plt.hist(gray_img.ravel(), bins=256, color='gray') # ravel()将二维图像转为一维
plt.title("灰度图直方图（matplotlib）")
plt.xlabel("像素值（0-255）")
plt.ylabel("像素数量")
# 方法2：用OpenCV的cv2.calcHist()计算（bins=16，分组更粗）
hist_cv2 = cv2.calcHist([gray_img], [0], None, [16], [0, 256])
plt.subplot(1, 3, 2)
plt.plot(hist_cv2, color='black', marker='o') # 折线图展示
plt.title("灰度图直方图（cv2.calcHist，bins=16）")
plt.xlabel("分组索引（0-15）")
plt.ylabel("像素数量")
# 2. 读取彩色图并计算三通道直方图
color_img = cv2.imread("phone.png") # OpenCV默认BGR格式
color = ('b', 'g', 'r') # 对应B/G/R通道
plt.subplot(1, 3, 3)
for i, col in enumerate(color):
# 分别计算B、G、R通道的直方图
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("彩色图三通道直方图")
plt.xlabel("像素值（0-255）")
plt.ylabel("像素数量")
plt.legend()
plt.tight_layout()
plt.show()
# 展示原始图像
cv2.imshow("灰度图", gray_img)
cv2.imshow("彩色图（BGR）", color_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
(3）运行结果分析
- 灰度图直方图：可直观看到图像像素集中在哪个区间（如集中在 100-200，说明图像偏亮）；
- 彩色图三通道：若 B 通道峰值高于 G/R，说明图像偏蓝；反之则偏红或偏绿；
bins=16时，直方图更简洁，适合快速观察整体分布趋势。
二、掩码图像（Mask）：精准定位感兴趣区域
1. 什么是掩码图像？
掩码图像是与原图像尺寸完全相同的二进制图像，像素值仅为 0 或 255（无符号 8 位整数，np.uint8）：
- 像素值为
0：屏蔽区域（后续操作不处理该区域）； - 像素值为
255：保留区域（后续操作仅作用于该区域）。
形象地说，掩码就像 “照片遮罩”，只让感兴趣的区域 “透出来” 参与处理。
2. 掩码的核心应用场景
- 计算局部区域的直方图（如仅分析人脸区域的亮度）；
- 图像修复（如仅修复口罩遮挡的面部区域）；
- 目标分割（如仅提取图像中的文字区域）；
- 图像融合（如将 logo 贴到指定区域）。
3. OpenCV 掩码操作：cv2.bitwise_and() 详解
掩码通常与按位与运算结合使用，原理是：原图像像素 & 掩码像素，只有当掩码像素为 255（二进制 11111111）时，原像素值才保留；若掩码为 0（二进制 00000000），结果为 0（黑色）。
（1）函数语法
cv2.bitwise_and(src1, src2, dst=None, mask=None)
（2）实战案例：用掩码提取局部区域并计算直方图
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 1. 读取灰度图像
gray_img = cv2.imread("phone.png", cv2.IMREAD_GRAYSCALE)
cv2.imshow("原始灰度图", gray_img)
cv2.waitKey(0)
# 2. 创建掩码图像（步骤：全0矩阵 → 局部设为255）
# 2.1 生成与原图像尺寸相同的全0矩阵（纯黑图像）
mask = np.zeros(gray_img.shape[:2], dtype=np.uint8) # shape[:2]取高和宽
# 2.2 定义感兴趣区域（ROI）：[y1:y2, x1:x2]（注意：OpenCV中坐标是(y, x)）
# 此处以“手机屏幕区域”为例，需根据实际图像调整坐标
mask[50:350, 100:470] = 255 # 该区域设为255（白色）
# 展示掩码图像
cv2.imshow("掩码图像（白色为保留区域）", mask)
cv2.waitKey(0)
# 3. 应用掩码：提取感兴趣区域
masked_img = cv2.bitwise_and(gray_img, gray_img, mask=mask)
cv2.imshow("掩码提取后的图像", masked_img)
cv2.waitKey(0)
# 4. 对比：全图直方图 vs 掩码区域直方图
plt.figure(figsize=(10, 4))
# 全图直方图
plt.subplot(1, 2, 1)
hist_full = cv2.calcHist([gray_img], [0], None, [256], [0, 256])
plt.plot(hist_full, color='black')
plt.title("全图直方图")
plt.xlabel("像素值")
plt.ylabel("数量")
# 掩码区域直方图
plt.subplot(1, 2, 2)
hist_masked = cv2.calcHist([gray_img], [0], mask, [256], [0, 256])
plt.plot(hist_masked, color='red')
plt.title("掩码区域（手机屏幕）直方图")
plt.xlabel("像素值")
plt.ylabel("数量")
plt.tight_layout()
plt.show()
cv2.destroyAllWindows()运行结果如下：
3）运行结果分析
- 掩码图像：黑色区域为屏蔽区，白色矩形为保留的 “手机屏幕区域”；
- 掩码提取后的图像：仅屏幕区域保留原像素，其他区域为黑色；
- 直方图对比：若屏幕区域偏亮，掩码直方图峰值会比全图直方图更靠右，精准反映局部亮度分布。