OpenCV计算机视觉实战（14）—

OpenCV计算机视觉实战（14）——直方图均衡化

- 0. 前言
- 1. CLAHE 自适应均衡
- - 1.1 应用场景
  - 1.2 实现过程
- 2. 直方图反向投影
- - 2.1 应用场景
  - 2.2 实现过程
- 3. 基于颜色的目标追踪
- 小结
- 系列链接

0. 前言

在图像处理与计算机视觉领域，直方图技术是最直观且高效的像素分布分析工具。无论是提升低对比度图像的细节表现，还是基于颜色特征进行目标定位与追踪，直方图均衡化与反向投影方法都能发挥关键作用。本文将从 CLAHE 自适应直方图均衡、反向投影的颜色热力图生成，到结合 CAMShift 构建实时颜色追踪系统，掌握直方图在图像增强与目标跟踪中的实战应用。

1. CLAHE 自适应均衡

传统直方图均衡化在光照不均的图像中容易引入过曝或欠曝。CLAHE (Contrast Limited Adaptive Histogram Equalization) 通过在局部区域内进行增强，并对对比度设限，有效避免过增强，提升图像细节。

1.1 应用场景

车载夜间摄像：不同路面反光、街灯位置不均，用全局均衡易引入过曝
医疗影像：CT 射线图像局部对比度低，需在细小病灶区域提亮
文档扫描：老旧书页局部发黄不一，用 CLAHE 能避免过度白化

1.2 实现过程

将图像从 BGR 转为 LAB 色彩空间(因为亮度分量 L 更适合做增强)
对 L 通道应用 CLAHE
合并增强后的 L 与原始 A、B 通道
转回 BGR 显示效果

import cv2
from matplotlib import pyplot as pltimg = cv2.imread('1.jpeg')
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
l, a, b = cv2.split(lab)clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))
cl = clahe.apply(l)
limg = cv2.merge((cl, a, b))
final = cv2.cvtColor(limg, cv2.COLOR_LAB2BGR)# 绘制直方图对比
fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes[0,0].imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)); axes[0,0].set_title('Original')
axes[0,1].hist(l.ravel(), bins=256); axes[0,1].set_title('Original L Histogram')
axes[1,0].imshow(cv2.cvtColor(final, cv2.COLOR_BGR2RGB)); axes[1,0].set_title('CLAHE Enhanced')
axes[1,1].hist(cl.ravel(), bins=256); axes[1,1].set_title('CLAHE L Histogram')
for ax in axes.flatten(): ax.axis('off')
plt.tight_layout()
plt.show()

clahe
关键函数解析：

cv2.createCLAHE()：创建 CLAHE 对象，clipLimit 控制对比度限制，tileGridSize 决定分块区域大小
cv2.cvtColor(..., cv2.COLOR_BGR2LAB)：转换至 LAB 色彩空间，增强亮度 L 分量
clahe.apply()：对灰度图或 L 通道应用 CLAHE

参数	含义	调参建议
`clipLimit`	对比度阈值，越大局部对比度增强越明显	2.0–4.0 之间，夜间图像可适当调高
`tileGridSize`	划分网格数，(8,8)→(16,16)细节块越小	块越小细节增强越多，但噪声也随之增强

2. 直方图反向投影

直方图反向投影 (Back Projection) 可理解为“颜色热力图”。给定某种颜色分布的感兴趣区域 (Region of Interest, ROI) (如皮肤颜色)，它可以在整幅图像中估算每个像素属于该颜色的概率，常用于颜色追踪和皮肤检测。

2.1 应用场景

智能零售：检测货架上某品牌包装色块
安防监控：快速定位佩戴特定颜色制服的人员
增强现实：实时识别并跟踪特定颜色的虚拟标记

2.2 实现过程

1D vs 2D 直方图
- 1D (只用 H 通道)运算快但易受光照影响
- 2D (H + S 通道)更稳健，建议对肤色、品牌色、球类追踪均使用 2D
后处理
- 形态学闭运算：填补小孔洞，去除零星噪点
- 高斯模糊卷积：平滑概率图，再阈值化能获得更连续的候选区域
可视化建议
- 将反向投影结果与原图叠加，用伪彩(如 applyColorMap) 突出高概率区域。

import cv2
import numpy as npimg = cv2.imread('1.jpeg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)# ROI 取皮肤区域
x,y,w,h = 830,320,30,30
roi = hsv[y:y+h, x:x+w]# 2D 直方图计算与归一化
roi_hist = cv2.calcHist([roi], [0,1], None, [180,256], [0,180,0,256])
cv2.normalize(roi_hist, roi_hist, 0, 255, cv2.NORM_MINMAX)# 反向投影
dst = cv2.calcBackProject([hsv], [0,1], roi_hist, [0,180,0,256], 1)
# 形态学闭运算
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7,7))
dst = cv2.morphologyEx(dst, cv2.MORPH_CLOSE, kernel)
# 伪彩叠加
heat = cv2.applyColorMap(dst, cv2.COLORMAP_JET)
overlay = cv2.addWeighted(img, 0.6, heat, 0.4, 0)cv2.imshow('Back Projection Overlay', overlay)
cv2.waitKey(0)
cv2.destroyAllWindows()

直方图反向投影
关键函数解析：

cv2.calcHist(images, channels, mask, histSize, ranges) 用于计算图像的直方图，在 HSV 色彩空间中，通常使用二维直方图来分析色调 (Hue) 和饱和度 (Saturation) 的分布
- images：输入图像，需以列表形式传入，例如 [image]
- channels：用于计算直方图的通道索引列表，例如，在 HSV 空间中，[0, 1] 表示使用 H 和 S 通道
- mask：掩膜图像，若不使用掩膜，则为 None
- histSize：每个通道的直方图大小(即 bin 的数量)，例如 [180, 256] 表示 H 通道有 180 个 bin，S 通道有 256 个 bin
- ranges：每个通道的取值范围。例如 [0, 180, 0, 256] 表示 H 通道取值范围为 0 到 180，S 通道为 0 到 256
dst = cv2.calcBackProject(images, channels, hist, ranges, scale) 用于执行直方图反向投影，它根据给定的直方图在目标图像中查找匹配区域，返回一个概率图，表示每个像素匹配该直方图的概率
- images：输入图像，需以列表形式传入，例如 [image]
- channels：用于计算反向投影的通道索引列表，需与直方图的通道一致
- hist：用于反向投影的直方图，通常是目标对象的颜色直方图
- ranges：每个通道的取值范围，需与计算直方图时使用的范围一致
- scale：可选的缩放因子，通常设为 1
cv2.normalize(src, dst, alpha, beta, norm_type) 用于将数组(如直方图)的值归一化到指定范围，这在进行直方图比较或反向投影前是一个重要的预处理步骤
- src：输入数组，即待归一化的直方图
- dst：输出数组，可以与 src 相同
- alpha：归一化后数组的最小值
- beta：归一化后数组的最大值
- norm_type：归一化类型，常用可选值包括 cv2.NORM_MINMAX (将值缩放到指定范围)和 cv2.NORM_L1 (使数组的 L1 范数为 1

3. 基于颜色的目标追踪

在视频流或相机实时画面中，利用直方图反向投影与 CamShift 算法，实现对特定颜色(如球、手套)的连续追踪。
首先，读取视频流，手动框选或预设目标 ROI，并计算其 HSV 直方图模型。然后在主循环中，对每帧图像进行 HSV 转换、反向投影，再使用 CamShift 算法更新目标窗口位置。最后可视化结果，绘制追踪窗口并显示。

import cv2
import numpy as npdef color_tracker(video_src=0):"""功能：基于 CamShift 的颜色追踪系统参数：video_src (int/str) - 视频设备索引或文件路径"""cap = cv2.VideoCapture(video_src)ret, frame = cap.read()# 1. 手动选定初始 ROIx, y, w, h = cv2.selectROI("Select ROI", frame, False)cv2.destroyWindow("Select ROI")# 2. 计算 ROI 的 HSV 直方图模型hsv_roi = cv2.cvtColor(frame[y:y+h, x:x+w], cv2.COLOR_BGR2HSV)roi_hist = cv2.calcHist([hsv_roi], [0,1], None, [180,256], [0,180,0,256])cv2.normalize(roi_hist, roi_hist, 0, 255, cv2.NORM_MINMAX)track_window = (x, y, w, h)# 3. CamShift 参数term_crit = (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 1)while True:ret, frame = cap.read()if not ret:breakhsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)# 4. 反向投影backproj = cv2.calcBackProject([hsv], [0,1], roi_hist, [0,180,0,256], 1)# 5. CamShift 更新窗口ret_box, track_window = cv2.CamShift(backproj, track_window, term_crit)# 6. 绘制结果pts = cv2.boxPoints(ret_box)pts = np.int0(pts)cv2.polylines(frame, [pts], True, (0,255,0), 2)cv2.imshow("Color Tracking", frame)if cv2.waitKey(30) & 0xFF == 27:  # 按 ESC 键退出breakcap.release()cv2.destroyAllWindows()if __name__ == "__main__":color_tracker(0)

关键函数解析：

cv2.selectROI(windowName, img, showCrosshair)：交互式选取 ROI 区域，返回 (x, y, w, h)
cv2.CamShift(probImage, window, criteria)：基于反向投影概率图进行自适应均值迁移，返回新的边界框 ret_box (旋转矩形)和更新后的搜索窗口 track_window
cv2.boxPoints(rotatedRect)：将 CamShift 返回的旋转矩形参数转换为四个顶点坐标，便于绘制多边形

小结

在本文中，我们系统性地介绍了 CLAHE 自适应直方图均衡化、直方图反向投影以及基于颜色追踪的目标定位系统。这些方法不仅能显著增强图像的视觉质量，还能为实际工程项目提供稳健的技术支撑。CLAHE 通过分块与对比度限幅，有效提升了局部细节；反向投影利用颜色概率分布快速筛选目标区域；颜色追踪系统则将上述方法综合运用，实现了可扩展的动态目标跟踪方案。

系列链接

OpenCV计算机视觉实战（1）——计算机视觉简介
OpenCV计算机视觉实战（2）——环境搭建与OpenCV简介
OpenCV计算机视觉实战（3）——计算机图像处理基础
OpenCV计算机视觉实战（4）——计算机视觉核心技术全解析
OpenCV计算机视觉实战（5）——图像基础操作全解析
OpenCV计算机视觉实战（6）——经典计算机视觉算法
OpenCV计算机视觉实战（7）——色彩空间详解
OpenCV计算机视觉实战（8）——图像滤波详解
OpenCV计算机视觉实战（9）——阈值化技术详解
OpenCV计算机视觉实战（10）——形态学操作详解
OpenCV计算机视觉实战（11）——边缘检测详解
OpenCV计算机视觉实战（12）——图像金字塔与特征缩放
OpenCV计算机视觉实战（13）——轮廓检测详解