实验一

技术点分析

1. 图像读取：使用OpenCV的imread()函数

2. 灰度转换：使用cvtColor()将图像转为灰度图

3. 直方图计算：使用calcHist()计算像素值分布

4. 图像显示：使用Matplotlib显示图像和直方图

5. 标题添加：使用Matplotlib的title()函数

6. 直方图分析：通过直方图形状分析图像特性

示例代码

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

# 1. 读取图像
image = cv2.imread('cameraman.tif')  # 请确保图片路径正确
if image is None:
    print("Error: 图像未找到，请检查路径")
    exit()

# 2. 转为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) if len(image.shape) == 3 else image

# 3. 创建画布
plt.figure(figsize=(12, 6))

# 4. 显示原始图像
plt.subplot(121)
plt.imshow(gray, cmap='gray')
plt.title('原始图像', fontsize=12, fontfamily='SimHei')
plt.axis('off')

# 5. 计算并显示直方图
plt.subplot(122)
hist = cv2.calcHist([gray], [0], None, [256], [0, 256])
plt.plot(hist, color='black')
plt.fill_between(range(256), hist.flatten(), alpha=0.3, color='gray')
plt.title('灰度直方图', fontsize=12, fontfamily='SimHei')
plt.xlabel('像素值', fontfamily='SimHei')
plt.ylabel('像素数量', fontfamily='SimHei')
plt.grid(alpha=0.3)

# 6. 保存结果
plt.tight_layout()
plt.savefig('histogram_result.png', dpi=300)
plt.show()

# 7. 直方图分析
print("\n直方图分析:")
print("-" * 40)
print("1. 峰值位置:", np.argmax(hist))
print("2. 均值: {:.1f}".format(gray.mean()))
print("3. 标准差: {:.1f}".format(gray.std()))
print("4. 动态范围: [{}, {}]".format(gray.min(), gray.max()))

# 分析结论
if hist[0] > 10000:
    print(">>> 图像包含大面积暗区（可能欠曝光）")
if hist[-1] > 10000:
    print(">>> 图像包含大面积亮区（可能过曝光）")
if gray.std() < 45:
    print(">>> 对比度较低（直方图分布集中）")
elif gray.std() > 80:
    print(">>> 对比度较高（直方图分布分散）")

代码说明

图像处理流程：

读取图像 → 灰度转换 → 计算直方图 → 可视化结果

自动检测图像是否已经是灰度图

可视化功能：

左侧显示原始图像

右侧显示带填充效果的直方图

中文字体支持（需系统有SimHei字体）

直方图分析：

输出关键统计指标：峰值、均值、标准差

自动生成曝光和对比度分析

结果保存为高清PNG图片

使用说明

1. 准备测试图像（推荐经典cameraman.tif）

2. 安装依赖库：

   pip install opencv-python matplotlib numpy

3. 运行代码后将显示：

   • 左侧：原始灰度图像

   • 右侧：对应的灰度直方图

   • 控制台输出直方图分析报告

实验原理

直方图是图像像素强度的统计分布图：

• 横坐标：0-255的像素值（黑→白）

• 纵坐标：对应像素值的出现频率

• 分析意义：

  • 左偏：图像偏暗

  • 右偏：图像偏亮

  • 双峰：高对比度

  • 窄峰：低对比度

 实验二

技术点分析

1. 直方图均衡化原理：重新分布像素值以增强图像对比度

2. 核心函数：cv2.equalizeHist() 实现灰度均衡

3. 图像处理流程：

   • 读取灰度图像

   • 计算原始图像直方图

   • 应用直方图均衡化

   • 计算均衡化后直方图

   • 可视化对比结果

4. 可视化：使用Matplotlib显示处理前后图像和直方图

示例代码

import cv2
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties

# 设置中文字体支持
font = FontProperties(fname=r"c:\windows\fonts\simhei.ttf", size=12)  # Windows系统
# font = FontProperties(fname='/System/Library/Fonts/PingFang.ttc', size=12)  # macOS系统

# 1. 读取图像
img = cv2.imread('cameraman.tif', cv2.IMREAD_GRAYSCALE)
if img is None:
    print("错误：无法读取图像，请检查路径")
    exit()

# 2. 直方图均衡化
equ = cv2.equalizeHist(img)

# 3. 计算原始图像和均衡化后的直方图
hist_orig = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_equ = cv2.calcHist([equ], [0], None, [256], [0, 256])

# 4. 创建画布
plt.figure(figsize=(14, 10))

# 5. 显示原始图像
plt.subplot(2, 2, 1)
plt.imshow(img, cmap='gray')
plt.title('原始图像', fontproperties=font)
plt.axis('off')

# 6. 显示原始图像直方图
plt.subplot(2, 2, 2)
plt.bar(range(256), hist_orig.ravel(), color='gray')
plt.title('原始图像直方图', fontproperties=font)
plt.xlabel('像素值', fontproperties=font)
plt.ylabel('频数', fontproperties=font)
plt.xlim([0, 255])
plt.grid(alpha=0.3)

# 7. 显示均衡化后的图像
plt.subplot(2, 2, 3)
plt.imshow(equ, cmap='gray')
plt.title('直方图均衡化后图像', fontproperties=font)
plt.axis('off')

# 8. 显示均衡化后的直方图
plt.subplot(2, 2, 4)
plt.bar(range(256), hist_equ.ravel(), color='gray')
plt.title('均衡化后直方图', fontproperties=font)
plt.xlabel('像素值', fontproperties=font)
plt.ylabel('频数', fontproperties=font)
plt.xlim([0, 255])
plt.grid(alpha=0.3)

# 9. 保存和显示结果
plt.tight_layout()
plt.savefig('histogram_equalization_result.png', dpi=300, bbox_inches='tight')
plt.show()

# 10. 分析报告
print("="*60)
print("直方图均衡化分析报告")
print("="*60)
print(f"原始图像统计: 均值 = {img.mean():.1f}, 标准差 = {img.std():.1f}")
print(f"均衡化后统计: 均值 = {equ.mean():.1f}, 标准差 = {equ.std():.1f}")

# 计算直方图差异
orig_peak = np.argmax(hist_orig)
equ_peak = np.argmax(hist_equ)
print(f"\n直方图峰值位置变化: {orig_peak} → {equ_peak}")

# 分析动态范围扩展
orig_range = img.max() - img.min()
equ_range = equ.max() - equ.min()
print(f"动态范围扩展: {orig_range} → {equ_range} (+{equ_range-orig_range})")

# 对比度变化分析
contrast_improvement = (equ.std() - img.std()) / img.std() * 100
print(f"对比度提升: {contrast_improvement:.1f}%")

# 直方图分布分析
def analyze_distribution(hist):
    """分析直方图分布特征"""
    total = np.sum(hist)
    dark = np.sum(hist[:50]) / total * 100
    mid = np.sum(hist[50:200]) / total * 100
    bright = np.sum(hist[200:]) / total * 100
    return dark, mid, bright

dark_orig, mid_orig, bright_orig = analyze_distribution(hist_orig)
dark_equ, mid_equ, bright_equ = analyze_distribution(hist_equ)

print("\n像素分布变化:")
print(f"暗区像素: {dark_orig:.1f}% → {dark_equ:.1f}%")
print(f"中间调像素: {mid_orig:.1f}% → {mid_equ:.1f}%")
print(f"亮区像素: {bright_orig:.1f}% → {bright_equ:.1f}%")

代码说明

完整处理流程：

读取灰度图像

应用cv2.equalizeHist()进行直方图均衡化

计算处理前后的直方图

可视化对比结果

专业可视化：

2×2布局：原始图像/直方图 + 均衡化后图像/直方图

中文字体支持（Windows/macOS自动适配）

直方图使用条形图清晰展示分布

量化分析：

计算并对比均值、标准差

分析动态范围扩展

计算对比度提升百分比

统计暗区/中间调/亮区像素分布变化

字体说明：

没有字体的需要先下载，也可以不用中文纯英文显示

实验原理

直方图均衡化通过重新分配像素值来增强图像对比度：

1. 计算累积分布函数(CDF)：
   
   其中 p(j) 是灰度级 j 的概率

2. 映射函数：

   • v: 原始像素值

   • M \times N: 图像像素总数

   • L: 灰度级数（通常为256）

使用说明

1. 安装依赖库：

   pip install opencv-python matplotlib numpy

2. 准备测试图像（如cameraman.tif）

3. 运行代码后将显示：

   左上：原始图像右上：原始直方图左下：均衡化后图像右下：均衡化后直方图

预期效果

1. 视觉变化：

   • 均衡化后图像对比度明显增强

   • 暗部和亮部细节更清晰可见

2. 直方图变化：

   • 原始直方图可能集中某区域

   • 均衡化后直方图更均匀分布

3. 量化指标：

   • 标准差增加 → 对比度提高

   • 动态范围扩展

   • 像素分布更均衡