opencv-python图像增强七：图像亮度对比度饱和度调整

一，简介

在图像处理领域，对比度、亮度和饱和度是影响图像视觉效果的重要因素。合理调整这三个参数，可以使图像更具表现力，满足不同场景的需求。本文将带领大家使用OpenCV，这一强大的开源计算机视觉库，轻松实现图像对比度、亮度和饱和度的修改。本文将从基础知识入手，详细介绍如何使用OpenCV对图像进行操作，包括对比度、亮度和饱和度的调整。

二，图像亮度对比度修改

图像的亮度和对比度是图像质量感知的两个基本属性，它们共同决定了图像的视觉效果。
亮度指的是图像中像素的明暗程度。在数字图像中，亮度通常由像素值直接表示。亮度的调整会改变图像的整体明暗水平，但不影响图像中不同颜色或灰度之间的相对关系。提高亮度会使图像看起来更明亮，降低亮度则使图像变暗。在某些情况下，调整亮度可以改善图像在特定光照条件下的可视性。
对比度指的是图像中最亮和最暗部分的差异程度。高对比度图像具有清晰、分明的明暗区分，而低对比度图像则明暗区分不够明显，看起来更为模糊和平淡。对比度的调整会影响图像中细节的可见性，使得图像中的边缘和纹理更加突出或更加柔和。
在opencv中有一个方法可以实现调整图像的亮度和对比度操作cv2.convertScaleAbs()
函数说明：

cv2.convertScaleAbs() 是 OpenCV 库中的一个函数，它用于将输入数组元素的值按比例缩放，并加上一个可选的常数，然后将其转换为绝对值并返回结果。这个函数常用于图像处理，特别是在需要调整图像的亮度和对比度时。
参数：
● src: 输入数组，通常是图像，数据类型为 CV_8U 或 CV_16U 或 CV_32F。
● alpha: 可选的比例因子，用于缩放输入数组元素的值。如果该值为正，则图像的对比度会增加；如果该值小于1，则图像的对比度会降低。默认值为1，表示不改变对比度。
● beta: 可选的常数，用于在每个元素上加上这个值。正值会使图像变亮，负值会使图像变暗。默认值为0，表示不改变亮度。
● dst: 输出数组，其大小和类型与 src 相同。
● dtype: 当这个参数被指定时，输出数组将由这个类型决定；否则，输出数组将与输入数组具有相同的数据类型。

使用代码：

import cv2

# 加载图像
image = cv2.imread(r'E:\R-C.jfif')  # 替换为你的图像路径
image = cv2.resize(image,(0,0),fx=0.5,fy=0.5)
# 检查图像是否成功加载
if image is None:
    raise ValueError("Could not read the image.")

# 定义缩放因子和偏移量
alpha1 = 1.2  # 缩放因子，可以大于1或小于1
beta1 = 0     # 偏移量，增加或减少亮度
alpha2 = 1.0  # 缩放因子，可以大于1或小于1
beta2 = 50     # 偏移量，增加或减少亮度
# 应用cv2.convertScaleAbs()进行缩放和偏移
# 如果图像是彩色的，它会保持原有的色彩通道
scaled_image = cv2.convertScaleAbs(image, alpha=alpha1, beta=beta1)
scaled_image2 = cv2.convertScaleAbs(image, alpha=alpha2, beta=beta2)
# 显示原始图像和调整后的图像
cv2.imshow('image', image)
cv2.imshow('scaled_image1', scaled_image)
cv2.imshow('scaled_image2', scaled_image2)
# 等待按键后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：
增强光照：

原图：

三，对比度增强：

三，图像饱和度修改
图像饱和度是指图像中颜色的纯度或强度。它是颜色三属性之一，与色相（Hue）和亮度（Lightness）或明度（Value）一起，构成了描述颜色的三个基本维度，饱和度是影响图像视觉冲击力和美观度的重要因素之一，通过调整饱和度，可以显著改变图像的情感和风格。
实现代码：

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

def Saturation(rgb_img, increment):
    # 将输入图像转换为浮点数，并归一化到0-1范围
    img = rgb_img.astype(np.float64) / 255.0
    # 计算每个像素的最小值，即HSL颜色空间中的亮度最低的部分
    img_min = img.min(axis=2)
    # 计算每个像素的最大值，即HSL颜色空间中的亮度最高的部分
    img_max = img.max(axis=2)

    # 计算饱和度（delta）和亮度（value）的中间值
    delta = (img_max - img_min)
    value = (img_max + img_min)
    # 计算HSL颜色空间中的亮度L
    L = value / 2.0

    # 根据亮度L计算饱和度s的两个可能值
    s1 = delta / (value + 1e-8)  # 防止除以0的情况，添加一个很小的数
    s2 = delta / (2 - value + 1e-8)
    # 根据亮度L选择饱和度s的正确值
    s = np.where(L < 0.5, s1, s2)

    # 计算增量调整后的饱和度，如果饱和度加上增量大于1，则保持原饱和度，否则用1减去增量
    temp = increment + s
    alpha = np.where(temp > 1, s, 1 - increment)
    # 计算调整后的alpha值
    alpha = 1 / alpha - 1

    # 对RGB图像的每个通道进行调整，以改变饱和度
    for i in range(3):
        img[:, :, i] += (img[:, :, i] - L) * alpha
    # 确保调整后的RGB值在0到1之间，如果超出这个范围，则将其限制在这个范围内
    img = np.clip(img, 0, 1)

    # 返回调整后的图像
    return img


path = r'E:\R-C.jfif'
increment = 0.5  # 范围-1到1

#  run : python Saturation.py (path) (increment)
if __name__ == "__main__":
    img = cv2.imread(path)
    img = cv2.resize(img,(640,640))
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img_new = Saturation(img_rgb, increment)
    img_new = cv2.cvtColor((img_new*255).astype(np.uint8), cv2.COLOR_RGB2BGR)
    cv2.imshow("img", img)
    cv2.imshow("img_new",img_new)
    cv2.waitKey(0)

效果：
左侧原图，右侧饱和度增强后的图片