图片过曝检测及处理（超全方法介绍）

AI入门玩家

于 2025-02-07 20:26:38 发布

阅读量2k

点赞数 11

分类专栏：图像处理专栏文章标签：数码相机 python 图像处理图像过曝光

本文链接：https://blog.csdn.net/qq_56438555/article/details/145491513

版权

图像处理专栏专栏收录该内容

1 篇文章

订阅专栏

一、图片过曝的定义

图片过曝是指在图像拍摄过程中，由于光线摄入过多，导致图像中的部分或大部分区域亮度值达到或接近图像所能表示的最大值（例如在 8 位图像中，最大值为 255）。过曝的区域在图像中通常呈现为一片白色，丢失了原本应有的细节信息。这种情况可能是由于相机设置不当（如曝光时间过长、光圈过大、ISO 值过高等），或者拍摄场景光线过强等原因造成的。常见的过曝现象包括：

天空区域变成一片纯白，无法分辨云层或渐变。
物体表面高光溢出，细节丢失。
人脸、衣服等区域过亮，颜色偏移或饱和度降低。

过曝对图像质量和信息呈现会造成多方面的严重危害。在视觉效果上，过曝会使图像部分区域呈现出刺眼的白色，原本丰富细腻的色彩和纹理细节完全丢失，画面变得单调乏味，整体美感大打折扣，难以给人带来良好的视觉体验。

例如拍摄风景时，过曝会让蓝天失去应有的湛蓝和层次感，白云也变得模糊一片；拍摄人物时，人物的面部可能会因过曝而变得惨白，五官细节难以辨认。从信息获取角度看，过曝会掩盖图像中的关键信息，干扰图像分析和识别。而且，一旦图像过曝，后期处理难度极大，很难完全恢复丢失的细节，极大地限制了图像的可用性和价值。

二、图片过曝检测的作用及意义

过曝检测在摄影和图像处理领域具有举足轻重的作用。在拍摄阶段，实时的过曝检测能够帮助摄影师及时察觉拍摄中存在的问题。摄影师可依据检测结果迅速调整相机的各项参数，如曝光时间、光圈大小以及 ISO 值等，从而避免拍摄出大量过曝的废片，提高拍摄效率。此外，对于一些需要精确色彩还原和细节捕捉的专业摄影场景，如产品摄影、广告摄影等，过曝检测更是必不可少的工具，它能够确保图像中的色彩和细节得到准确呈现。

图片的过曝光检测在以下几个领域都有着十分重要的作用：

自动曝光（AE）调节：相机在拍摄时调整快门速度和 ISO 以优化曝光。
图像质量评估：检测过曝区域，优化亮度均衡。
视觉任务预处理：在 OCR、目标检测等任务中，提高特征提取的准确性。
数据增强（Data Augmentation）：检测并调整过曝数据，提高模型泛化能力。
医学影像分析：过曝可能导致 X 射线或 CT 图像丢失关键病变信息。
遥感图像处理：卫星图像中的高亮区域（如雪地、云层）可能影响地物分类精度。

三、常见的检测方法及原理阐述

3.1 亮度直方图分析法

1、原理：亮度直方图是一种用于统计图像中不同亮度值像素分布的工具，它以亮度值为横轴，以对应亮度值的像素数量为纵轴绘制出曲线。通过该直方图，可以清晰地观察到图像中各个亮度区间像素的分布状况。在检测过曝时，重点关注高亮像素的占比。通常会选取 L 通道（在图像色彩空间中，L 通道代表亮度信息），将亮度值大于 240 的像素定义为高亮像素。然后计算这些高亮像素在整个图像像素中所占的比例。若该比例超过预先设定的阈值（例如 3%），就可以判断这幅图像存在过曝问题。

其数学原理为：

直方图分析法为判断图像过曝提供了一种直观且量化的方式。通过分析亮度直方图，能够快速了解图像的整体亮度分布特征，不仅仅判断是否过曝，还可以对图像的曝光情况有一个全面的认识。

2、检测代码及调整方法示例（OpenCV）

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

def detect_overexposure_histogram(image):
    # 将图像转换为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 计算直方图
    hist = cv2.calcHist([gray], [0], None, [256], [0, 256])
    # 计算高亮度区域
    high_brightness_pixels = np.sum(hist[240:])
    total_pixels = gray.size
    ratio = high_brightness_pixels / total_pixels
    # 判断是否过曝
    if ratio > 0.1:  
        return True
    return False


image = cv2.imread('test_image.jpg')
if detect_overexposure_histogram(image):
    print("图像存在过曝问题")
else:
    print("图像未过曝")

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
hist = cv2.calcHist([gray], [0], None, [256], [0, 256])
plt.plot(hist)
plt.xlim([0, 256])
plt.show()

如果显示图像过曝，可以通过cv2.convertScaleAbs 进行亮度调整：

def adjust_exposure(image_path, alpha=0.8, beta=-20):
    image = cv2.imread(image_path)
    adjusted = cv2.convertScaleAbs(image, alpha=alpha, beta=beta)
    return adjusted

3.2 像素阈值统计法

1、原理：直接二值化亮度通道，计算高亮区域占比统计图像中高亮度像素的数量，如果高亮度像素的比例超过一定阈值，则认为图像过曝。

其数学表达为：

阈值分割法能够精确地定位图像中的过曝区域，并且可以直观地通过白色像素的比例量化过曝程度。在图像后期处理中，这一方法可以为针对性的修复提供依据。例如，对于过曝程度较轻的图像，可以采用较为温和的调整策略；而对于过曝程度较重的图像，则需要采用更复杂的处理手段。

2、检测代码及调整方法示例（OpenCV）

def check_overexposure_threshold(image_path, threshold=240):
    image = cv2.imread(image_path)
    lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2Lab)
    L, _, _ = cv2.split(lab_image)

    _, binary_mask = cv2.threshold(L, threshold, 255, cv2.THRESH_BINARY)
    overexposed_pixels = np.sum(binary_mask > 0)
    total_pixels = L.size
    over_percentage = (overexposed_pixels / total_pixels) * 100

    return over_percentage

over_percentage = check_overexposure_threshold(image_path)
print(f"过曝像素比例: {over_percentage:.2f}%")

若过曝区域大，可将高亮区域压暗：

def reduce_highlights(image):
    lab = cv2.cvtColor(image, cv2.COLOR_BGR2Lab)
    L, A, B = cv2.split(lab)
    L = cv2.equalizeHist(L)  
    adjusted_lab = cv2.merge([L, A, B])
    return cv2.cvtColor(adjusted_lab, cv2.COLOR_Lab2BGR)

3.3 局部对比度分析法

1、原理：首先，将整幅图像划分为大小相等的小块，常见的划分方式是将图像分割成 16×16 的小块。划分完成后，针对每一个小块分别计算其平均亮度值。平均亮度值能够反映该小块区域的整体明亮程度。接着，设定一个亮度阈值，将每一个小块的平均亮度值与这个阈值进行比较。如果某一个小块的亮度均值超过了所设定的阈值，那么就判定该小块为过曝区域。

其数学表达为：

局部对比度分析能够精准地定位图像中具体的过曝区域。在一些复杂场景的图像中，可能存在部分区域过曝而其他区域正常的情况，通过这种分块检测的方式，可以细致地识别出这些局部过曝的位置。这对于后续的图像修复和调整非常有帮助，例如在进行局部亮度调整、细节恢复等操作时，能够只针对过曝的小块进行处理，避免对正常区域造成影响，从而提高图像的整体质量。

2、检测代码及调整方法示例（OpenCV）

def check_local_contrast(image_path, block_size=16, threshold=240):
    image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    h, w = image.shape

    overexposed_blocks = 0
    total_blocks = (h // block_size) * (w // block_size)

    for i in range(0, h, block_size):
        for j in range(0, w, block_size):
            block = image[i:i+block_size, j:j+block_size]
            mean_luminance = np.mean(block)
            if mean_luminance > threshold:
                overexposed_blocks += 1

    over_percentage = (overexposed_blocks / total_blocks) * 100
    return over_percentage

over_percentage = check_local_contrast(image_path)
print(f"局部过曝区域比例: {over_percentage:.2f}%")

可以使用 CLAHE（自适应直方图均衡化）减少过曝影响：

def apply_clahe(image):
    lab = cv2.cvtColor(image, cv2.COLOR_BGR2Lab)
    L, A, B = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    L = clahe.apply(L)
    adjusted_lab = cv2.merge([L, A, B])
    return cv2.cvtColor(adjusted_lab, cv2.COLOR_Lab2BGR)

3.4 亮度均值和标准差检测法

1、原理：该方法主要依赖于对图像亮度均值和标准差的计算和分析。亮度均值反映了图像的整体明亮程度，它是图像中所有像素亮度值的平均值。标准差则体现了图像中像素亮度值相对于均值的离散程度，即亮度的变化情况。当亮度均值较高时，说明图像整体的亮度过高，存在过曝的可能性较大。而当标准差较低时，意味着图像中像素的亮度值比较集中，亮度变化很小，这通常表示图像中的细节信息丢失，因为丰富的细节往往伴随着较大的亮度变化。

其数学表达为：

亮度均值和标准差分析为判断图像是否过曝提供了一种宏观的量化依据。通过计算这两个统计量，可以快速地对图像的整体亮度情况和细节丰富程度有一个初步的评估。这种方法简单高效，适合在大量图像筛选或者初步图像质量评估的场景中使用。

2、检测代码及调整方法示例（OpenCV）

def check_brightness_stats(image_path):
    image = cv2.imread(image_path)
    lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2Lab)
    L, _, _ = cv2.split(lab_image)

    mean_luminance = np.mean(L)
    std_luminance = np.std(L)

    print(f"亮度均值: {mean_luminance:.2f}, 亮度标准差: {std_luminance:.2f}")

    if mean_luminance > 220 and std_luminance < 40:
        return True
    return False

is_overexposed = check_brightness_stats(image_path)
print(f"是否过曝: {'是' if is_overexposed else '否'}")

可以采用 gamma correction 进行亮度压缩：

def apply_gamma_correction(image, gamma=0.7):
    invGamma = 1.0 / gamma
    table = np.array([(i / 255.0) ** invGamma * 255 for i in np.arange(0, 256)]).astype("uint8")
    return cv2.LUT(image, table)

3.5 高光区域检测（Connected Components）

1、原理：高光区域检测主要基于连通区域分析的技术。首先，设定一个亮度阈值，将图像中亮度超过该阈值的像素标记出来。然后，对这些高亮像素进行连通区域分析，也就是找出由相邻高亮像素组成的连续区域，并计算每个这样的区域的面积。最后，再设定一个面积阈值（如 500 像素），如果某个高亮区域的面积超过了这个阈值，就判定该图像存在大面积过曝的情况。

其数学表达为：

高光区域检测能够直观地判断图像中是否存在大面积的过曝情况。在一些应用场景中，如摄影作品的质量评估、监控图像的异常检测等，大面积过曝会严重影响图像的可用性和信息表达。通过检测大面积的高光区域，可以及时发现这些问题图像，并采取相应的措施，如重新拍摄、进行特殊的后期处理等。

2、检测代码及调整方法示例（OpenCV）

def detect_highlight_regions(image_path, threshold=240, min_area=500):
    image = cv2.imread(image_path)
    lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2Lab)
    L, _, _ = cv2.split(lab_image)

    _, binary_mask = cv2.threshold(L, threshold, 255, cv2.THRESH_BINARY)

    num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(binary_mask, connectivity=8)

    for i in range(1, num_labels):  
        area = stats[i, cv2.CC_STAT_AREA]
        if area > min_area:
            return True  

    return False

is_overexposed = detect_highlight_regions(image_path)
print(f"是否存在大面积过曝: {'是' if is_overexposed else '否'}")

四、文章总结

过曝检测是图像质量评估与优化的重要环节，常见的方法包括直方图分析、阈值分割、局部对比度分析、亮度均值和标准差计算以及连通区域检测等。这些方法各有侧重：直方图分析适用于整体曝光评估，而阈值分割和连通区域检测能够直接识别高亮区域；局部对比度分析适用于检测局部过曝，亮度均值与标准差计算则能提供全局亮度信息。通过综合运用这些方法，可以有效识别不同场景下的过曝问题，为后续图像优化提供依据。这些方法各自的优缺点为：

针对过曝问题的调整，常见的解决方案包括曝光补偿（降低亮度）、局部对比度增强（如 Retinex 算法）、Gamma 校正以及 HDR 合成等技术。这些方法可以在不同程度上恢复图像细节，提高视觉效果和计算机视觉任务的准确性。在实际应用中，可根据图像的具体过曝情况，结合检测结果选择最合适的调整方法，以优化最终成像质量。

写在最后：希望这篇文章能对你有所帮助呀～欢迎批评指正交流，求三连！！！！