【Opencv】 图像金字塔与直方图详解，代码复制即可运行

文章目录

• 前言
• 完整代码
• 准备工作：导入库与显示函数
• 图像金字塔：下采样与上采样
• • 读取图像并统一尺寸
  • 下采样（缩小）
  • 上采样（放大）
  • 对下采样结果再上采样
• 拉普拉斯金字塔
• • 从残差重建原图
• 直方图
• • 灰度直方图
  • 计算直方图数据
  • 彩色图像的三通道直方图
  • 只统计感兴趣区域（掩码直方图）
  • 计算掩码区域的直方图
• 总结

前言

在图像处理中，我们经常需要 放大 或 缩小 图像（比如适应屏幕、匹配特征点尺度），这就是 图像金字塔 的典型应用。OpenCV 提供了 pyrDown（下采样，缩小）和 pyrUp（上采样，放大）两个函数，它们基于高斯卷积，让缩放后的图像更平滑。

另一个常用工具是 直方图，它能统计图像中每个灰度值（或颜色通道）的像素数量，帮助我们分析亮度分布、对比度，甚至通过掩码（Mask）只统计感兴趣区域。

完整代码

样图：

import cv2
import numpy as np

def cv_show(name,image):
cv2.imshow(name,image)
cv2.waitKey(0)
a = cv2.imread('kele.png',cv2.IMREAD_GRAYSCALE)
kele = cv2.resize(a,(500,500))
cv2.imshow('kele',kele)
cv2.waitKey(0)
kele_down_1 = cv2.pyrDown(kele)#下采样
cv_show('kele_down',kele_down_1)
kele_down_2 = cv2.pyrDown(kele_down_1)
cv_show('kele_down_2',kele_down_2)

#上采样
kele_up_1 = cv2.pyrUp(kele)
cv_show('kele_up_1',kele_up_1)
kele_up_2 = cv2.pyrUp(kele_up_1)
cv_show('kele_up_2',kele_up_2)

###对下采样后图像进行上采样，图像变模糊，无法复原
kele_down_1_up = cv2.pyrUp(kele_down_1)
kele_down_2_up = cv2.pyrUp(kele_down_2)
cv_show('kele_down_1_up',kele_down_1_up)
cv_show('kele_down_2_up',kele_down_2_up)

###拉普拉斯金字塔

L0 = kele – kele_down_1_up
L1 = kele_down_1 – kele_down_2_up

fu_yuan = kele_down_1_up + L0
cv_show('L0',L0)
cv_show('L1',L1)
cv_show('fu_yuan',fu_yuan)

############## 直方图################################
import matplotlib.pyplot as plt
phone = cv2.imread('phone.png',cv2.IMREAD_GRAYSCALE)
a = phone.ravel()
plt.hist(a,bins=256)

plt.show()
phone_hist = cv2.calcHist([phone],[0],None,[16],[0,256])
plt.plot(phone_hist)
plt.show()

img = cv2.imread('phone.png')
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.show()

phone = cv2.imread('phone.png',cv2.IMREAD_GRAYSCALE)
cv_show('phone',phone)
mask = np.zeros(phone.shape[:2],np.uint8)
mask[50:350,100:470] = 255
cv_show('mask',mask)

Phone_mask = cv2.bitwise_and(phone,phone,mask=mask)
cv_show('Phone_mask',Phone_mask)

phone_hist_mask = cv2.calcHist([phone],[0],mask,[256],[0,256])
plt.plot(phone_hist_mask)
plt.show()

准备工作：导入库与显示函数

import cv2
import numpy as np
import matplotlib.pyplot as plt

def cv_show(name, image):
cv2.imshow(name, image)
cv2.waitKey(0)

图像金字塔：下采样与上采样

读取图像并统一尺寸

a = cv2.imread('kele.png', cv2.IMREAD_GRAYSCALE)
kele = cv2.resize(a, (500, 500))
cv2.imshow('kele', kele)
cv2.waitKey(0)

以灰度模式读取 kele.png，然后缩放到 500×500 的固定尺寸，方便后续比较。

下采样（缩小）

kele_down_1 = cv2.pyrDown(kele)
cv_show('kele_down', kele_down_1)
kele_down_2 = cv2.pyrDown(kele_down_1)
cv_show('kele_down_2', kele_down_2)

• cv2.pyrDown 会先对图像进行高斯平滑，然后去掉偶数行和偶数列，从而使图像宽高各减半（尺寸变为原来的 1/4）。

• 第一次下采样后尺寸变为 250×250，第二次变为 125×125。

这种操作会丢失细节，但保留了整体轮廓，常用于构建图像金字塔。

运行结果：

上采样（放大）

kele_up_1 = cv2.pyrUp(kele)
cv_show('kele_up_1', kele_up_1)
kele_up_2 = cv2.pyrUp(kele_up_1)
cv_show('kele_up_2', kele_up_2)

• cv2.pyrUp 是下采样的逆操作：先将图像宽高各加倍（插入零像素），再用高斯卷积填充新像素值。

• 第一次上采样后尺寸变为 1000×1000，第二次变为 2000×2000。

上采样会放大图像，但分辨率并不会真正提高，所以图像会显得模糊。

运行结果（右为原图）：

对下采样结果再上采样

kele_down_1_up = cv2.pyrUp(kele_down_1)
kele_down_2_up = cv2.pyrUp(kele_down_2)
cv_show('kele_down_1_up', kele_down_1_up)
cv_show('kele_down_2_up', kele_down_2_up)

将下采样后的图像（250×250）再进行上采样，尺寸回到 500×500。 虽然尺寸和原图一样，但图像已经变模糊，因为下采样丢失的像素无法通过上采样恢复。即下采样会丢失信息，是不可逆的。 后续我们可以通过获取下采样丢失的残差图像，和对下采样结果再上采样的结果图结合，恢复原图像。

运行结果：

拉普拉斯金字塔

拉普拉斯金字塔是高斯金字塔与原图之间的残差，即下采样丢失的图像。 公式：L_i = 当前层图像 – 上一层图像上采样后的结果

L0 = kele – kele_down_1_up
L1 = kele_down_1 – kele_down_2_up

• kele_down_1_up 是 kele_down_1 上采样回 500×500 的结果，它与原图 kele 的差值就是第一层拉普拉斯残差 L0。

• 同理 L1 是 250×250 尺寸上的残差。

从残差重建原图

fu_yuan = kele_down_1_up + L0
cv_show('fu_yuan', fu_yuan)

将下采样再上采样后的模糊图加上残差 L0，就可以完美还原原图。 拉普拉斯金字塔可以用来无损重建图像，是多分辨率分析的基础。

直方图

灰度直方图

phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)
a = phone.ravel()
plt.hist(a, bins=256)
plt.show()

• ravel() 将二维灰度图像展平为一维数组，方便统计。

• plt.hist 绘制直方图，bins=256 表示将灰度值 0~255 划分为 256 个区间。

直方图能直观告诉我们图像的亮度分布：偏暗则集中在左侧，偏亮则集中在右侧，对比度低则柱状图狭窄。

运行结果：

计算直方图数据

phone_hist = cv2.calcHist([phone], [0], None, [16], [0, 256])
plt.plot(phone_hist)
plt.show()

参数解释：

• [phone]：输入图像列表（可多张）。

• [0]：要统计的通道索引（灰度图为 0）。

• None：没有掩码（统计全图）。

• [16]：直方图的 bins 数量（这里只分 16 个区间，比 256 粗糙，但曲线更平滑）。

• [0, 256]：像素值范围。

彩色图像的三通道直方图

img = cv2.imread('phone.png')
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.show()

彩色图像有 B、G、R 三个通道，我们分别计算每个通道的直方图。循环中 [i] 表示第 i 个通道，并用对应的颜色绘制曲线，方便区分。

只统计感兴趣区域（掩码直方图）

有时候我们只想统计图像中某一局部区域的像素分布（比如检测 ROI 的亮度），这时可以用掩码。

phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)
cv_show('phone', phone)

mask = np.zeros(phone.shape[:2], np.uint8)
mask[50:350, 100:470] = 255
cv_show('mask', mask)

Phone_mask = cv2.bitwise_and(phone, phone, mask=mask)
cv_show('Phone_mask', Phone_mask)

先创建与图像同样大小的全零矩阵（黑色），然后将矩形区域 [50:350, 100:470] 设置为 255（白色）。这个白色区域就是我们关心的 ROI。 cv2.bitwise_and(phone, phone, mask=mask)：将原图与掩码做“与”运算，掩码为白色的区域保留原像素，黑色区域变为 0。这样就得到只显示 ROI 的图像。

计算掩码区域的直方图

phone_hist_mask = cv2.calcHist([phone], [0], mask, [256], [0, 256])
plt.plot(phone_hist_mask)
plt.show()

在 calcHist 中传入 mask 参数，它会只统计掩码为 255 区域的像素，忽略其他部分。这样我们就能单独分析 ROI 的亮度分布，非常实用（如人脸检测中只统计脸部区域）。

和完整图像的直方图相比还是有区别的。

总结