OpenCV 图像处理实战：从图像金字塔到直方图分析
在计算机视觉领域，OpenCV 是一款功能强大的开源库，提供了丰富的图像处理函数。本文将围绕一段 OpenCV 实战代码，详细讲解图像金字塔（上采样与下采样）、图像直方图计算以及掩码操作的实现过程与原理，帮助大家快速掌握这些核心图像处理技术。
一、准备工作：环境与图像
在开始之前，需确保已安装所需的 Python 库：OpenCV（cv2）、Matplotlib（绘图）和 NumPy（数值计算）。可通过以下命令安装：
pip install opencv-python matplotlib numpy
代码中用到了 3 张测试图像：mywife.jpg（用于图像金字塔操作）、love.jpg（用于直方图分析）、phone.png（用于掩码与直方图结合操作）。建议将图像与代码放在同一目录下，或在cv2.imread()中填写完整图像路径。
二、核心技术 1：图像金字塔（上采样与下采样）
图像金字塔是一种多尺度表示方法，通过 “下采样”（缩小图像）和 “上采样”（放大图像）构建不同分辨率的图像序列。但需注意：下采样会丢失图像信息，再对下采样图像上采样无法完全复原原图。
1.1 下采样（pyrDown）：缩小图像
下采样通过cv2.pyrDown()实现，核心步骤是：先对图像进行高斯滤波（去除高频噪声），再删除图像的偶数行和偶数列，最终图像尺寸变为原图像的 1/2（宽和高均减半）。
代码解析：
# 读取灰度图像（cv2.IMREAD_GRAYSCALE表示灰度模式）
face = cv2.imread('mywife.jpg', cv2.IMREAD_GRAYSCALE)
cv2.imshow('face', face) # 显示原图
cv2.waitKey(0) # 等待按键（0表示任意键关闭窗口）
# 第一次下采样：尺寸变为原图1/2
face_down_1 = cv2.pyrDown(face)
cv2.imshow('down_1', face_down_1)
cv2.waitKey(0)
# 第二次下采样：尺寸变为down_1的1/2（原图的1/4）
face_down_2 = cv2.pyrDown(face_down_1)
cv2.imshow('down_2', face_down_2)
cv2.waitKey(0)运行效果：连续按任意键，会依次显示 “原图→1/2 尺寸图→1/4 尺寸图”，图像逐渐变小，但视觉上仍保持基本轮廓（因高斯滤波平滑了边缘）。
1.2 上采样（pyrUp）：放大图像
上采样通过cv2.pyrUp()实现，核心步骤是：先将图像的宽和高各扩大 2 倍（新增行 / 列填充 0），再对图像进行高斯滤波（平滑填充的空白区域）。但由于下采样已丢失信息，上采样无法恢复原图细节。
代码解析：
# 对原图直接上采样：尺寸变为原图2倍
face_up_1 = cv2.pyrUp(face)
cv2.imshow('up_1', face_up_1)
cv2.waitKey(0)
# 第二次上采样：尺寸变为up_1的2倍（原图的4倍）
face_up_2 = cv2.pyrUp(face_up_1)
cv2.imshow('up_2', face_up_2)
cv2.waitKey(0)
# 关键对比：对下采样图像上采样（无法复原）
face_down_1_up = cv2.pyrUp(face_down_1) # down_1（1/2）→ up后（原图尺寸）
face_down_2_up = cv2.pyrUp(face_down_2) # down_2（1/4）→ up后（1/2尺寸）
cv2.imshow('down_1_up', face_down_1_up) # 与原图对比，明显模糊
cv2.imshow('down_2_up', face_down_2_up)
cv2.waitKey(0)核心结论：face_down_1_up的尺寸与原图相同，但因下采样时丢失了高频细节（如边缘、纹理），上采样后图像会模糊，无法完全复原原图。
1.3 拉普拉斯金字塔：提取图像残差
为了保留下采样丢失的信息，可通过 “拉普拉斯金字塔” 计算 “残差图像”（原图与 “下采样 + 上采样” 图像的差值）。残差图像包含了下采样丢失的高频细节，可用于图像复原或融合。
代码解析：
# 计算残差（拉普拉斯金字塔层）
L0 = face - face_down_1_up # 原图与down_1_up的差值（保留原图高频细节）
L1 = face_down_1 - face_down_2_up # down_1与down_2_up的差值
# 显示残差图像（暗部为0，亮部为丢失的细节）
cv2.imshow('L0', L0)
cv2.imshow('L1', L1)
cv2.waitKey(0)
# 尝试复原：残差 + 下采样上采样图像
fuyuan = face_down_1_up + L0 # down_1_up（模糊图）+ L0（残差）→ 接近原图
cv2.imshow('fuyuan', fuyuan)
cv2.waitKey(0)运行效果：残差图像（L0、L1）中，亮区域对应原图中边缘、纹理等高频细节；复原后的图像（fuyuan）与原图几乎一致，证明残差图像成功保留了丢失的信息。
三、核心技术 2：图像直方图分析
图像直方图是反映图像像素灰度分布的工具，通过统计每个灰度值（0-255）的像素数量，可直观了解图像的亮度、对比度等特征。OpenCV 的cv2.calcHist()和 Matplotlib 的plt.hist()均可计算直方图。
3.1 灰度图像直方图（两种方法）
以love.jpg为例，分别用 Matplotlib 和 OpenCV 计算灰度图像的直方图。
方法 1：Matplotlib plt.hist ()
# 读取灰度图像
love = cv2.imread('love.jpg', cv2.IMREAD_GRAYSCALE)
# 将图像展平为1维数组（ravel()：多维数组→1维）
a = love.ravel()
# 绘制直方图：bins=256（灰度级0-255）
plt.hist(a, bins=256)
plt.title('Gray Image Histogram (Matplotlib)')
plt.xlabel('Gray Level')
plt.ylabel('Pixel Count')
plt.show()方法 2：OpenCV cv2.calcHist ()
# 计算直方图：[love]（输入图像）、[0]（通道索引，灰度图仅1通道）
# None（无掩码）、[16]（直方图 bins 数量，合并灰度级）、[0,256]（灰度范围）
love_hist = cv2.calcHist([love], [0], None, [16], [0,256])
# 绘制直方图（OpenCV计算结果需用plt.plot()）
plt.plot(love_hist)
plt.title('Gray Image Histogram (OpenCV, bins=16)')
plt.xlabel('Binned Gray Level')
plt.ylabel('Pixel Count')
plt.show()对比说明：plt.hist()直接对展平后的像素数组统计，bins=256 时可显示每个灰度级的分布；cv2.calcHist()支持指定 bins 数量（如 16），将 256 个灰度级合并为 16 组，直方图更简洁。
3.2 彩色图像直方图
彩色图像包含 B（蓝）、G（绿）、R（红）3 个通道，需分别计算每个通道的直方图并绘制。
代码解析：
# 读取彩色图像（cv2.imread()默认返回BGR格式，非RGB）
img = cv2.imread('love.jpg')
color = ('b', 'g', 'r') # 对应B、G、R通道
# 遍历3个通道，计算并绘制直方图
for i, col in enumerate(color):
# i：通道索引（0=B，1=G，2=R）
hister = cv2.calcHist([img], [i], None, [256], [0,256])
plt.plot(hister, color=col) # 按通道颜色绘制
plt.title('Color Image Histogram (BGR)')
plt.xlabel('Gray Level')
plt.ylabel('Pixel Count')
plt.show()注意事项：OpenCV 读取的彩色图像默认是 BGR 格式，而 Matplotlib 显示时默认 RGB 格式，但此处仅绘制直方图，通道顺序不影响统计结果，只需确保color元组与通道索引对应即可。
四、核心技术 3：掩码（mask）与直方图结合
掩码（mask）是一种 “区域选择” 工具，通过创建与图像尺寸相同的二进制数组（0 表示 “排除”，255 表示 “保留”），可仅对图像的指定区域进行处理（如计算直方图、滤波等）。
4.1 创建掩码与区域选择
以phone.png为例，创建掩码并选择手机图像的中间区域：
代码解析：
# 读取手机灰度图像
phone = cv2.imread('phone.png', cv2.IMREAD_GRAYSCALE)
cv2.imshow('phone', phone)
cv2.waitKey(0)
# 创建全黑掩码（尺寸与phone相同，uint8类型）
mask = np.zeros(phone.shape[:2], np.uint8)
# 将掩码的[50:350, 100:470]区域设为255（白色，表示保留该区域）
mask[50:350, 100:470] = 255
cv2.imshow('mask', mask) # 显示掩码：中间白色区域为选中区域
cv2.waitKey(0)掩码原理：mask的尺寸与原图一致，像素值为 255 的区域会被 “保留”，0 的区域会被 “排除”。通过调整[50:350, 100:470]的坐标，可选择不同的目标区域。
4.2 掩码与图像结合（bitwise_and）
通过cv2.bitwise_and()函数，可将掩码应用到原图，仅保留掩码选中的区域：
# 按掩码提取区域：仅保留mask为255的像素
phone_mask = cv2.bitwise_and(phone, phone, mask=mask)
cv2.imshow('phone_mask', phone_mask) # 显示：仅中间区域有图像，其余为黑
cv2.waitKey(0)函数作用：cv2.bitwise_and(a, b, mask)对 a 和 b 进行按位与操作，但仅在 mask 为 255 的区域执行，最终实现 “区域裁剪” 效果。
4.3 掩码区域的直方图
仅计算掩码选中区域的直方图，可更精准地分析目标区域的像素分布：
# 计算掩码区域的直方图：mask参数指定仅统计选中区域
phone_hist_mask = cv2.calcHist([phone], [0], mask, [256], [0,256])
plt.plot(phone_hist_mask)
plt.title('Histogram of Masked Area (Phone)')
plt.xlabel('Gray Level')
plt.ylabel('Pixel Count')
plt.show()
# 关闭所有OpenCV窗口
cv2.destroyAllWindows()实际意义：若需分析图像中特定物体（如手机屏幕）的亮度分布，通过掩码仅统计目标区域的直方图，可避免背景像素的干扰，结果更准确。
五、总结与拓展
本文通过一段实战代码，覆盖了 OpenCV 中 3 个核心图像处理技术：
- 图像金字塔：下采样（缩小 + 平滑）、上采样（放大 + 填充），以及拉普拉斯金字塔（提取残差，用于复原）；
- 直方图分析：灰度图 / 彩色图的直方图计算，两种工具（Matplotlib/OpenCV）的对比；
- 掩码操作：通过二进制掩码选择区域，结合直方图实现精准的区域分析。
希望本文能帮助大家快速上手这些实用技术，后续可结合具体场景（如人脸识别、目标检测）进一步深化应用！