图片放大缩小

图片缩放本质上是重新采样（Resampling）的过程。数字图片由一个个像素点组成，缩放时需要根据目标尺寸，计算出新画布上每个像素点的颜色值。

OpenCV 中通过cv2.resize()函数实现缩放，其核心是插值算法（不同算法对应不同的像素值计算方式），最常用的有以下几种：

1. 核心插值算法原理

2. 直观理解

假设原图片是 4×4 像素，要缩放到 2×2：

• 最近邻插值：直接取原图片中 (0,0)、(0,2)、(2,0)、(2,2) 四个像素，丢弃其他像素；
• 双线性插值：计算每个目标像素对应的原图片 “虚拟位置”（非整数坐标），再通过周围 4 个像素加权求和得到新值。

信息丢失的本质是：缩放改变了像素的采样密度，无法 100% 保留原图片的细节，具体分为两类：

1. 缩小图片（下采样）：主动丢弃信息

• 空间细节丢失：原图片的高频细节（如边缘、纹理、小物体）被合并 / 丢弃。例如：原图片中 1 个像素的细线，缩小后可能直接消失；
• 像素信息丢失：多个原像素被合并为 1 个新像素，合并过程中（无论哪种插值）都会丢失部分像素的原始值；
• 不可逆性：缩小后的图片无法通过放大恢复原始细节（放大只是 “猜测” 像素值，而非找回丢失的信息）。

2. 放大图片（上采样）：被动生成 “假信息”

放大本身不会丢失原信息，但会引入冗余 / 虚假信息：

• 新像素值是通过插值 “计算” 出来的，并非真实存在的原始像素；
• 放大后的图片会有模糊感（双线性 / 双三次）或锯齿感（最近邻），因为没有真实的高频细节支撑；
• 例如：将 100×100 的图片放大到 200×200，新增的 10000 个像素都是算法 “猜” 的，而非原图的真实信息。

3. 关键结论：缩放的信息守恒

• 缩小：信息总量减少（丢失细节）；
• 放大：信息总量不变（新增的是插值生成的冗余信息，而非真实信息）；
• 反复缩放：信息会持续丢失（缩小丢细节→放大补假信息→再缩小丢更多）。

如何减少缩放的信息丢失

1. 缩小图片时：优先使用cv2.INTER_AREA（区域插值），它专门针对下采样优化，比双线性 / 最近邻保留更多细节；
2. 放大图片时：优先使用cv2.INTER_CUBIC（双三次插值），虽然速度慢，但生成的像素更接近真实细节；
3. 避免无意义缩放：尽量基于原图直接缩放到目标尺寸，而非 “缩小→放大” 反复操作；
4. 高分辨率原图：如果需要频繁缩放，尽量保留高分辨率的原始图片，而非缩放后的低分辨率版本。

# 高斯金字塔操作中的向下采样 #下采样 是一种减小图像尺寸的方法，它通常涉及到降低图像的分辨率，即减少图像中像素的数量，从而使图像看起来更小。 # 上采样是一种增大图像尺寸的方法，它通过插值和滤波技术来恢复图像的分辨率和细节，通常用于图像放大或者与下采样后的图像进行比较。 #resize函数 是一种通用的图像尺寸调整方法，它可以按照指定的目标尺寸来缩放图像，不涉及金字塔结构或者特定的滤波操作。 # dst = cv2.pyrDown(src [,dst, dstsize [, borderType] ]) # dst:目标图像 # Src:原始图像 # dstsize:目标图像的大小 import cv2 face = cv2.imread('suki.jpg',cv2.IMREAD_GRAYSCALE)#GO cv2.imshow('face',face) cv2.waitKey(0) face_down_1 = cv2.pyrDown(face)#下采样G1 cv2.imshow('down_1',face_down_1) cv2.waitKey(0) face_down_2 = cv2.pyrDown(face_down_1)#62 cv2.imshow('down_2',face_down_2) cv2.waitKey(0) #高斯金字塔操作中的向上采样 # dst = cv2.pyrUp(src [,dst, dstsize [, borderType] ]) #dst:目标图像 #SrC:原始图像 #dstsi:目标图像的大小 face_up_1 = cv2.pyrUp(face) cv2.imshow('up_1',face_up_1)#fG1' cv2.waitKey(0) face_up_2 = cv2.pyrUp(face_up_1) cv2.imshow('up_2',face_up_2)#fG2' cv2.waitKey(0) ###对下采用后图像进行上采样，图像变模糊，无法复原 face_down_1_up = cv2.pyrUp(face_down_1)#下采样G1 face_down_2_up = cv2.pyrUp(face_down_2)#下采样G2 cv2.imshow('down_1_up',face_down_1_up) cv2.imshow('down_2_up',face_down_2_up) cv2.waitKey(0) ###拉普拉斯金字塔 L0 = face - face_down_1_up L1 = face_down_1 - face_down_2_up fuyuan = face_down_1_up + L0 cv2.imshow('L0',L0) cv2.imshow('L1',L1) cv2.waitKey(0) cv2.imshow('fuyuan',fuyuan) cv2.waitKey(0)

opencv对图片建立直方图

图片直方图本质是统计每个像素值出现的频次：

• 灰度图：统计 0（纯黑）~255（纯白）每个灰度值的像素数量；
• 彩色图：分别统计 R、G、B 三个通道各自的像素值分布。OpenCV 中主要通过cv2.calcHist()函数实现，配合 Matplotlib 可以直观绘制直方图。

"___________________直方图__________________" # #cv2.calcHist(images,channeLs,mask,histSize,ranges) 计算图像的直方图,用于表示图像中像素灰度级别的分布情况.#images:原图像图像格式为uint8或foat32。当传入函数时应用中括号[]括来例如[img] # #channels:表示传入的图像通道数。如果输入图像是灰度图它的值就是[0]。如果是彩色图像的传入的参数可以是[0][1][2]它们分别对应着BGR。#mask:掩模图像。统计整幅图像的直方图就把它为None。但是如果你想统计图像某一部分的直方图，你就制作一个掩模图像并使用它。#histSize:BINS的数目。也需用中括号括来(分成多少个区间) # BINS:上面的直方图显示了每个像素值的像素数，即从0到255。即您需要256个值才能显示上述直方图。 # 但是请考虑一下，如果您不需要单独查找所有像素值的像素数，而是在像素值间隔内查找像素数，该怎么办?例如，您需要找到介于0到15之间的像素数，然后是16到31、32到47...、240到255。 # 您只需要16个值来表示直方图。 # #因此，只需将整个直方图拆分为 16个子部分，每个子部分的值就是其中所有像素计数的总和。这每个子部分都称为"BIN"。在第一种情况下,条柱数为256(每个像索一个),而在第二种情况下,官只有16。BINS 在OpenCV 文档中由术语nistSize表示#ranges:像素值范围常为[0256] import cv2 import matplotlib.pyplot as plt import numpy as np phone = cv2.imread('phone.png',cv2.IMREAD_GRAYSCALE) #将图像转换为一维数组 a = phone.ravel() #这里使用了numpy的ravel函数，将多维数组拉成一维数组。 #绘制直方图 plt.hist(a,bins=256) #使用matplotlib 的hist函数绘制直方图。 # 参数解释: #-a:一维数组，即图像的像素值组成的数组。 #-bins=256:指定直方图的条数，即灰度级的数量。 plt.show() ##显示直方图 phone_hist = cv2.calcHist([phone],[0],None, [16], [0,256]) plt.plot(phone_hist)#使用calcHist的值绘制曲线图 plt.show() img=cv2.imread('phone.png') 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() ###什么是mask?掩膜，pspr ###mask参数如何使用?mask为掩模图像，先来看一下mask效果 phone = cv2.imread('phone.png',cv2.IMREAD_GRAYSCALE) cv2.imshow('phone',phone) cv2.waitKey(0) mask = np.zeros(phone.shape[:2],np.uint8)#创建黑白图像，用于制作mask mask[50:350,100:470] = 255 cv2.imshow('mask',mask) cv2.waitKey(0) ##cv2.bitwise_and():对图像(灰度图像或彩色图像均可)每个像素值进行二进制"与"操作，1&1=1，1&0=0，01=0，0&0=0# # bitwise_and(src1, src2, dst=None, mask=None)参数: ##src1、Src2:为输入图像或标量，标src1和src2相与。 ##dst:可选输出变量，如果需要使用非None则要先定义，且其大小与输入变量相同 ##mask:图像掩膜，可选参数，用于指定要更改的输出图像数组的元素，mask为o的值，src1和Isrc2相与的值都为o. # 非的值，为SrC1和srC2相与的值。 Phone_mask = cv2.bitwise_and(phone,phone,mask=mask) cv2.imshow('phone_mask', Phone_mask) cv2.waitKey(0) phone_hist_mask = cv2.calcHist([phone],[0],mask,[256],[0,256]) plt.plot(phone_hist_mask)#使用calcHist的值绘制曲线图 plt.show()

OpenCV 读取的彩色图是BGR 格式（而非日常的 RGB），所以通道 0 是蓝色、1 是绿色、2 是红色，绘制时要对应正确的颜色。

直方图的实用场景

• 分析图片亮度：直方图峰值偏左→图片偏暗，峰值偏右→图片偏亮；
• 分析对比度：直方图分布越分散→对比度越高，集中在中间→对比度低；
• 图像增强：基于直方图的均衡化（cv2.equalizeHist()）可提升图片对比度；
• 图像分割：通过直方图的波峰波谷，确定前景 / 背景的分割阈值。

直方图均衡化

'''------------------直方图均衡化-------------------''' # 真方图均衡化是一种图像增强技术，它可以通过增加图像的对比度和亮度来改善图像的质量。 # 直方图均衡化通过将图像的像素值分布均匀化来实现这一目标。 # 在Python 0penCV中,可以使用cv2.equalizeHist()函数来实现直方图均衡化。 # 该函数将输入图像转换为灰度图像，并将其像素值分布均匀化，从而增强图像的对比度和亮度。 import matplotlib.pyplot as plt black = cv2.imread('black.jpg',cv2.IMREAD_GRAYSCALE) ###phone_hist=cv2.calcHist([phone],[0],None,[256],[0,256]) plt.hist(black.ravel(),bins=256)#numpy中的ravel将数组多维度拉成一维数组 plt.show() black_equalize = cv2.equalizeHist(black) plt.hist(black_equalize.ravel(),bins=256) #numpy中的ravel将数组多维度拉成一维数组 plt.show() res =np.hstack((black,black_equalize)) # 横向拼接,将多个数组按水平方向(列顺序)堆叠成一个新的数组。 cv2.imshow('black_equalize',res) cv2.waitKey(0) ###自适应百方图均衡化(局部百方图处理，通过局部调整图像的直方图分布来提升图像的对比度和细节表现力，当需要保存细节特征，需要做局部处理## # cv2.createCLAHE([, clipLimit[, tileGridSize]]) retval ###参数说明: ###clipLimit:颜色对比度的阈值，可选项，默认值8 ###titleGridSize: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))#通过类创建了一个局部均衡化对象 black_clahe = clahe.apply(black) res = np.hstack((black,black_equalize,black_clahe)) cv2.imshow('black_equalize',res) cv2.waitKey(0)

直方图均衡化的本质是重新分配像素值：

1. 问题根源：低对比度图片的像素值会集中在一个狭窄的区间（比如都集中在 100-150），导致画面灰蒙蒙；
2. 解决思路：将集中的像素值 “拉伸” 到 0-255 的全范围，让暗的更暗、亮的更亮；
3. 数学逻辑：通过计算像素值的累积分布函数 (CDF)，将原像素值映射到新的像素值，使新直方图的像素分布尽可能均匀。