如何使用 OpenCV 和 Matplotlib 读取、处理并显示图像。即将为您解答：

绘制其彩色直方图

代码解释

1. 读取图像并转换颜色空间：

   image = cv2.imread('001.jpg')
   image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
   

   • cv2.imread('001.jpg')：从文件中读取图像，图像默认以 BGR 格式加载。
   • cv2.cvtColor(image, cv2.COLOR_BGR2RGB)：将图像从 BGR 格式转换为 RGB 格式，便于 Matplotlib 正确显示。

2. 拆分通道：

   channels = cv2.split(image)
   colors = ('b', 'g', 'r')
   

   • cv2.split(image)：将图像的 BGR 三个通道分开，分别对应蓝色、绿色、红色。
   • colors：定义颜色顺序，用于在直方图中标记不同通道。

3. 创建图形和子图：

   fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8), gridspec_kw={'height_ratios': [1, 3]})
   

   • plt.subplots(2, 1)：创建一个包含两个子图的图形，图像的布局为上下结构。
   • figsize=(10, 8)：设置图形的大小，宽度为 10 英寸，高度为 8 英寸。
   • gridspec_kw={'height_ratios': [1, 3]}：设置子图的高度比例，上方直方图高度为 1，图像高度为 3。

4. 绘制彩色直方图：

   for (channel, color) in zip(channels, colors):
       hist = cv2.calcHist([channel], [0], None, [256], [0, 256])
       ax1.plot(hist, color=color, linewidth=2.5, alpha=0.75)
   

   • cv2.calcHist([channel], [0], None, [256], [0, 256])：计算每个颜色通道的直方图，256 个 bins 表示像素值范围从 0 到 255。
   • ax1.plot(hist, color=color, linewidth=2.5, alpha=0.75)：在 ax1 子图上绘制每个通道的直方图，不同颜色曲线对应不同通道。

5. 设置直方图子图：

   ax1.set_title('Color Histogram', fontsize=15)
   ax1.set_xlabel('Bins', fontsize=12)
   ax1.set_ylabel('# of Pixels', fontsize=12)
   ax1.grid(color='gray', linestyle='--', linewidth=0.5)
   ax1.set_xlim([0, 256])
   ax1.set_xticks([])
   ax1.set_yticks([])
   

   • 设置标题、轴标签、网格线，并移除坐标轴的刻度。

6. 显示图像：

   ax2.imshow(image_rgb)
   ax2.set_title('Original Image', fontsize=15)
   ax2.axis('off')
   

   • 在 ax2 子图上显示原始图像，并设置标题，移除坐标轴。

7. 调整布局并显示：

   plt.tight_layout()
   plt.show()
   

   • plt.tight_layout()：自动调整子图之间的间距，使图形布局更加紧凑。
   • plt.show()：显示图形。

总结

• 功能：该代码实现了图像的读取、颜色直方图的计算与绘制，并将图像和直方图在同一个图形中显示。
• 目的：直方图提供了图像像素值的分布情况，而图像显示则有助于直观理解图像内容，两者结合能够更好地分析图像的颜色信息。

整体代码

import cv2
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('001.jpg')
# 将图像从 BGR 转换为 RGB 格式
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 拆分通道
channels = cv2.split(image)
colors = ('b', 'g', 'r')

# 创建一个包含两个子图的图形
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8), gridspec_kw={'height_ratios': [1, 3]})

# 绘制直方图在第一个子图
ax1.set_title('Color Histogram', fontsize=15)
ax1.set_xlabel('Bins', fontsize=12)
ax1.set_ylabel('# of Pixels', fontsize=12)
ax1.grid(color='gray', linestyle='--', linewidth=0.5)

for (channel, color) in zip(channels, colors):
    hist = cv2.calcHist([channel], [0], None, [256], [0, 256])
    ax1.plot(hist, color=color, linewidth=2.5, alpha=0.75)

ax1.set_xlim([0, 256])
ax1.set_xticks([])
ax1.set_yticks([])

# 绘制图像在第二个子图
ax2.imshow(image_rgb)
ax2.set_title('Original Image', fontsize=15)
ax2.axis('off')

# 调整布局，使图形更加紧凑
plt.tight_layout()

plt.show()

效果展示

---

衍生操作

1.色彩平衡和直方图均衡化

代码说明

• 图像读取与颜色空间转换：

  • 首先，使用 cv2.imread() 函数读取图像，并将其从 BGR 格式转换为 RGB 格式，以便使用 Matplotlib 显示。

• 通道分离与直方图均衡化：

  • 将图像的 RGB 通道分离出来，并对每个通道单独进行直方图均衡化处理，以平衡颜色和改善对比度。

• 图像合并与显示：

  • 将均衡化后的通道合并成一张图像，并使用 Matplotlib 显示原始图像、均衡化图像以及它们对应的直方图。

整体代码

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

# 读取图像
image = cv2.imread('001.jpg')

# 将图像从 BGR 转换为 RGB 格式
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 分离图像的三个通道
r, g, b = cv2.split(image_rgb)

# 对每个通道应用直方图均衡化
r_equalized = cv2.equalizeHist(r)
g_equalized = cv2.equalizeHist(g)
b_equalized = cv2.equalizeHist(b)

# 合并均衡化后的通道
equalized_image = cv2.merge((r_equalized, g_equalized, b_equalized))

# 创建一个包含原始图像和均衡化图像的图形
plt.figure(figsize=(12, 6))

# 显示原始图像
plt.subplot(2, 2, 1)
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')

# 显示均衡化图像
plt.subplot(2, 2, 2)
plt.imshow(equalized_image)
plt.title('Histogram Equalized Image')
plt.axis('off')

# 显示原始图像的直方图
plt.subplot(2, 2, 3)
for channel, color in zip([r, g, b], ['r', 'g', 'b']):
    hist = cv2.calcHist([channel], [0], None, [256], [0, 256])
    plt.plot(hist, color=color)
plt.title('Original Histogram')
plt.xlim([0, 256])
plt.xlabel('Pixel Intensity')
plt.ylabel('Frequency')

# 显示均衡化图像的直方图
plt.subplot(2, 2, 4)
for channel, color in zip([r_equalized, g_equalized, b_equalized], ['r', 'g', 'b']):
    hist = cv2.calcHist([channel], [0], None, [256], [0, 256])
    plt.plot(hist, color=color)
plt.title('Equalized Histogram')
plt.xlim([0, 256])
plt.xlabel('Pixel Intensity')
plt.ylabel('Frequency')

# 调整布局并显示图像
plt.tight_layout()
plt.show()

效果展示

---

2.动态直方图和实时摄像头图像分析

代码说明

• 摄像头初始化：

  • cap = cv2.VideoCapture(0) 用于初始化摄像头。参数 0 表示使用默认摄像头。

• 实时视频捕捉：

  • 使用 cap.read() 从摄像头捕捉实时视频帧。

• 颜色空间转换：

  • 使用 cv2.cvtColor() 将 BGR 图像转换为 RGB 格式，以便 Matplotlib 正确显示颜色。

• 直方图计算：

  • 将图像的 RGB 通道分离，并使用 cv2.calcHist() 计算每个通道的直方图。

• 动态更新图像和直方图：

  • 使用 Matplotlib 的交互模式 (plt.ion()) 实时更新图像和直方图。
  • 每次读取一帧图像时，先清除之前的图像和直方图，然后重新绘制。

• 按键退出：

  • 在循环中检测键盘按键，如果按下 q 键，则退出循环，停止视频捕捉并关闭窗口。

整体代码

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

# 初始化摄像头
cap = cv2.VideoCapture(0)

# 创建一个窗口来显示视频流和直方图
plt.ion()  # 打开交互模式
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8), gridspec_kw={'height_ratios': [1, 3]})

while True:
    # 读取摄像头的一帧
    ret, frame = cap.read()
    if not ret:
        break

    # 将图像从 BGR 转换为 RGB 格式
    image_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

    # 分离图像的三个通道
    r, g, b = cv2.split(image_rgb)

    # 清除之前的图像和直方图
    ax1.clear()
    ax2.clear()

    # 显示当前帧
    ax2.imshow(image_rgb)
    ax2.set_title('Real-Time Camera Feed', fontsize=15)
    ax2.axis('off')

    # 计算直方图并绘制
    ax1.set_title('Color Histogram', fontsize=15)
    ax1.set_xlabel('Bins', fontsize=12)
    ax1.set_ylabel('# of Pixels', fontsize=12)
    ax1.grid(color='gray', linestyle='--', linewidth=0.5)

    for (channel, color) in zip([r, g, b], ['r', 'g', 'b']):
        hist = cv2.calcHist([channel], [0], None, [256], [0, 256])
        ax1.plot(hist, color=color, linewidth=2.5, alpha=0.75)

    ax1.set_xlim([0, 256])

    # 刷新绘图窗口
    plt.pause(0.001)

    # 检测按键，按 'q' 键退出循环
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头并关闭所有窗口
cap.release()
cv2.destroyAllWindows()
plt.ioff()
plt.show()

 效果展示

---