OpenCV如何计算单像素对应区域对比度并基于对比度合并图像

核心实现思路 #

OpenCV没有直接提供逐像素局部对比度计算的专属API，但可以通过基础滤波函数快速实现你需要的「n×n邻域标准差计算对比度」逻辑，全程调用OpenCV内置并行运算接口，速度完全满足快速预览需求。

具体实现步骤 #

• 第一步：局部对比度计算（邻域标准差）
  原理：n×n邻域内的像素标准差直接反映局部区域的对比度高低，数值越高代表局部纹理/细节越丰富。可以通过OpenCV的均值滤波快速批量计算所有像素的邻域标准差，无需手写逐像素循环，Python示例代码如下：

  import cv2
  import numpy as np
  
  def get_local_contrast(img, kernel_size=5):
      # 转灰度图计算对比度，避免色彩通道干扰
      if len(img.shape) == 3:
          gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY).astype(np.float32)
      else:
          gray = img.astype(np.float32)
      # 计算邻域均值 E(X)
      mean = cv2.blur(gray, (kernel_size, kernel_size))
      # 计算邻域平方均值 E(X²)
      mean_sq = cv2.blur(np.square(gray), (kernel_size, kernel_size))
      # 标准差公式 σ = sqrt(E(X²) - [E(X)]²)
      std = cv2.sqrt(cv2.subtract(mean_sq, np.square(mean)))
      return std
  

• 第二步：双图对比度融合
  分别计算两张输入图的逐像素对比度后，直接逐像素对比对比度数值，选择更高对比度对应的原图像素即可：

  def focus_stack_preview(img1, img2, kernel_size=5):
      # 计算两张图的局部对比度
      contrast1 = get_local_contrast(img1, kernel_size)
      contrast2 = get_local_contrast(img2, kernel_size)
      # 生成掩码：对比度1更高的位置为True，否则为False
      mask = contrast1 > contrast2
      # 适配彩色图三通道，逐像素选值
      if len(img1.shape) == 3:
          mask = np.expand_dims(mask, axis=-1)
      result = np.where(mask, img1, img2)
      # 可选优化：对掩码做高斯模糊，消除硬边缘伪影，过渡更自然
      # mask = cv2.GaussianBlur(mask.astype(np.float32), (3,3), 0)[...,None]
      # result = cv2.convertScaleAbs(img1 * mask + img2 * (1 - mask))
      return result
  

• 第三步：参数调整说明
  • kernel_size 取值为奇数，数值越大局部对比度计算越平滑，对细微纹理的敏感度越低，计算速度也越快，预览场景推荐取3或5即可
  • 若融合结果出现明显的拼接硬边，可开启注释中的掩码高斯模糊优化，过渡效果会更自然

方案优势 #

相较于边缘检测类方案，基于邻域标准差的对比度计算对极轻微的颗粒、纹理都能产生有效响应，哪怕其中一张图是平滑梯度，也能正确识别出带细微结构的图像区域，不会丢失低对比度细节，且全流程无复杂运算，耗时极低，完全适合焦点堆叠的快速预览场景。

内容的提问来源于stack exchange，提问作者relet