opencv计算机视觉--图形旋转&图形可视化&均衡化

一、图形旋转

1. NumPy的np.rot90()方法

• 功能：专门用于90度倍数的旋转

• 参数k的含义：

  • k=1：逆时针旋转90度

  • k=-1：顺时针旋转90度

  • k=2：旋转180度（顺时针或逆时针效果相同）

  • k=3：顺时针旋转270度（等同于逆时针90度）

• 特点：

  • 通过数组转置和翻转实现

  • 只能做90度的整数倍旋转

  • 旋转中心是图像中心

import cv2
import numpy as np

# 方法一
img = cv2.imread('./kele.png')
# 旋转90度，k=-1表示顺时针旋转90度
rotated_image1 = np.rot90(img, k=-1)
# 旋转90度，k=1表示逆时针旋转90度
rotated_image2 = np.rot90(img, k=1)

cv2.imshow('yuantu', img)
cv2.waitKey(0)
cv2.imshow('rotated_image1', rotated_image1)
cv2.waitKey(0)
cv2.imshow('rotated_image2', rotated_image2)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. OpenCV的cv2.rotate()方法

• 功能：提供标准化的旋转操作

• 三种预定义旋转模式：

  • cv2.ROTATE_90_CLOCKWISE：顺时针90度

  • cv2.ROTATE_90_COUNTERCLOCKWISE：逆时针90度

  • cv2.ROTATE_180：旋转180度

• 特点：

  • 接口更直观

  • 底层可能优化了性能

  • 语义更清晰

import cv2
import numpy as np
img = cv2.imread('./kele.png')
cv2.imshow('yuan',img)
cv2.waitKey(0)
rotated_image = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE) # 顺时针90度
rotated_image1 = cv2.rotate(img, cv2.ROTATE_90_COUNTERCLOCKWISE) # 逆时针90度
rotated_image2 = cv2.rotate(img, cv2.ROTATE_180) # 旋转180度
cv2.imshow('shun90', rotated_image)
cv2.waitKey(0)
cv2.imshow('ni90', rotated_image1)
cv2.waitKey(0)
cv2.imshow('180', rotated_image2)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.旋转的数学概念

1. 二维旋转矩阵

对于90度旋转，数学上对应：

• 顺时针90度：(x', y') = (y, -x)

• 逆时针90度：(x', y') = (-y, x)

• 180度：(x', y') = (-x, -y)

2. 图像坐标系

• OpenCV图像坐标系：原点在左上角

• x轴向右为正，y轴向下为正

• 旋转时需要考虑坐标系方向

3.两种方法的区别

4.注意事项

二、图形可视化

1、可视化层次分析

1）像素级数据可视化

• people.ravel()：将二维图像矩阵展平为一维数组

• 把图像的空间结构信息转换为数值分布信息

• 这是从空间域到统计域的转换

2） 统计分布可视化（直方图）

• 直方图展示像素值的频率分布

• bins（区间）的概念：256个区间 vs 16个区间

  • 256 bins：精细分布，显示每个像素值的具体频率

  • 16 bins：概览分布，显示像素值范围的趋势

2、颜色通道可视化

color=('b','g','r') # 蓝、绿、红

• 通道分离：将彩色图像的BGR通道分别提取

• 颜色编码：用对应通道颜色绘制其直方图

• 多变量对比：同时展示三个相关变量的分布

3、空间选择性可视化（掩码技术）

区域选择的可视化：

这种可视化体现了：

• 全局vs局部对比分析

• 空间约束下的数据分布

• 交互式分析的思想：用户可以定义分析区域

4、可视化传达的信息

通过直方图可以判断：

import cv2
import matplotlib.pyplot as plt
import numpy as np
people=cv2.imread('peopleone.jpg',cv2.IMREAD_GRAYSCALE)
a=people.ravel()

plt.hist(a,bins=256)
plt.show()
people_hist=cv2.calcHist([people],[0],None,[16],[0,256])
plt.plot(people_hist)
plt.show()

img=cv2.imread('peopleone.jpg')
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()

people=cv2.imread('peopleone.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('people',people)
cv2.waitKey(0)

mask=np.zeros(people.shape[:2],np.uint8)
mask[50:600,50:700]=255
cv2.imshow('mask',mask)
cv2.waitKey(0)

people_mask=cv2.bitwise_and(people,people,mask=mask)
cv2.imshow('peolpe_mask',people_mask)
cv2.waitKey(0)

people_hist_mask=cv2.calcHist([people],[0],mask,[256],[0,256])
plt.plot(people_hist_mask)
plt.show()
cv2.destroyAllWindows()

三、整体目标

通过直方图均衡化技术改善图像对比度，展示全局和局部均衡化的效果差异。

1.核心概念：直方图均衡化

基本原理：

重新分布图像像素的强度值，使直方图在整个强度范围内更加均匀，从而增强图像对比度。

2.代码执行流程分析

1. 读取和显示原始图像直方图

renwu = cv2.imread('renwu.jpg', cv2.IMREAD_GRAYSCALE)
plt.hist(renwu.ravel(), bins=256)

• 读取灰度图像

• 显示原始像素强度分布

• 通常低对比度图像的直方图会集中在某个狭窄范围内

2. 全局直方图均衡化

renwu_equalize = cv2.equalizeHist(renwu)
plt.hist(renwu_equalize.ravel(), bins=256)

• cv2.equalizeHist()：对整个图像应用均衡化

• 效果：将原始直方图拉伸到整个0-255范围

• 缺点：可能过度增强某些区域的对比度，丢失细节

3. 可视化对比

res = np.hstack((renwu, renwu_equalize))

• 并排显示原图和处理后图像

• 直观展示对比度改善效果

4. 自适应直方图均衡化（局部处理）

clahe = cv2.createCLAHE(clipLimit=10, tileGridSize=(8, 8))
renwu_clahe = clahe.apply(renwu)

• CLAHE（Contrast Limited Adaptive Histogram Equalization）

• 工作原理：

  • 将图像分成多个小区域（tileGridSize指定，如8×8网格）

  • 对每个小区域独立进行直方图均衡化

  • 使用clipLimit限制对比度增强程度，防止噪声过度放大

5. 最终对比展示

res = np.hstack((renwu, renwu_equalize, renwu_clahe))

• 同时显示：原始图像、全局均衡化、自适应均衡化

• 直观比较三种处理效果

完整代码

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

# 读取灰度图像
renwu = cv2.imread('renwu.jpg', cv2.IMREAD_GRAYSCALE)

# 显示原图直方图
plt.hist(renwu.ravel(), bins=256) # numpy中的ravel将数组多维度拉成一维数组
plt.show()

# 全局直方图均衡化
renwu_equalize = cv2.equalizeHist(renwu)

# 显示均衡化后的直方图
plt.hist(renwu_equalize.ravel(), bins=256)
plt.show()

# 对比原图和均衡化后的图像
res = np.hstack((renwu, renwu_equalize)) # 横向拼接
cv2.imshow('renwu_rese', res)
cv2.waitKey(0)

# 自适应直方图均衡化(局部直方图处理)
# 当需要保存细节特征，需要做局部处理
# clipLimit: 颜色对比度的阈值，可选项，默认值 8
# tileGridSize: 局部直方图均衡化的模板（邻域）大小，可选项，默认值 (8,8)
clahe = cv2.createCLAHE(clipLimit=10, tileGridSize=(8, 8)) # 创建局部均衡化对象
renwu_clahe = clahe.apply(renwu)

# 对比三种图像
res = np.hstack((renwu, renwu_equalize, renwu_clahe))
cv2.imshow('renwu_equalize', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、两种方法的对比

4.关键参数说明

1. clipLimit

• 对比度限制阈值

• 防止局部区域对比度过度增强

• 值越大，对比度增强越强

• 默认值2-3，这里设为10（较强增强）

2. tileGridSize

• 划分图像的小区域大小

• (8, 8)表示将图像分为8×8=64个小区域

• 每个小区域独立进行均衡化

5.实际应用效果

处理后的直方图特征：

视觉改善：