图像亮度调整

最新推荐文章于 2023-07-10 11:35:59 发布

studyeboy

最新推荐文章于 2023-07-10 11:35:59 发布

阅读量2.1k

点赞数 1

分类专栏：图像处理颜色空间算法文章标签： python 计算机视觉人工智能

本文链接：https://blog.csdn.net/studyeboy/article/details/129178062

版权

算法同时被 3 个专栏收录

47 篇文章 3 订阅

订阅专栏

图像处理

41 篇文章 10 订阅

订阅专栏

颜色空间

3 篇文章 1 订阅

订阅专栏

非线性方式

调整图像的方法有很多，最常用的方法就是对图像像素点的R、G、B三个分量同时进行增加（减少）某个值，达到调整亮度的目的。即改变图像的亮度，实际就是对像素点的各颜色分量值做一个平移。这种方法属于非线性的亮度调整，优点是代码简单、速度快，缺点是在调整亮度的同时，也损失了图像的色彩的纯度。

def adjust_brightness_avg(img, brightness=0.35):
    [avg_b, avg_g, avg_r] = np.array(cv2.mean(img))[:-1] / 3
    k = np.ones((img.shape))
    k[:, :, 0] *= avg_b
    k[:, :, 1] *= avg_g
    k[:, :, 2] *= avg_r
    img = img + brightness * k
    # img = img + (1 + brightness) * img
    img[img < 0] = 255
    img[img > 255] = 255

    return img.astype(np.uint8)

HSL颜色空间方式（线性方式）

利用HSL颜色空间，通过只对其L（亮度）部分调整，可达到图像亮度的线性调整。但是RGB和HSL颜色空间的转换很繁琐，一般还需要浮点数的运算，不仅增加了代码的复杂度，更重要的是要逐点将RGB转换为HSL，然后确定新的L值，再将HSL转换为RGB，运行速度慢。要想提高图像线性调整的速度，应该将浮点运算变为整数运算，只提取HSL的L部分进行调整。优点是调整过的图像层次感很强，缺点是代码复杂，调整速度慢，而且当图像亮度增减量较大时有很大的失真。

# def adjust_brightness_rgb(img, brightness=0.35):
#     #[0-100]->[-255, 255]
#     # brightness = brightness * (255 - (-255)) + (-255)
#     brightness = brightness * 255
#     print(brightness)
#     brightness = -100
#     img = img * 1.0
#     r = img[:, :, 0]
#     g = img[:, :, 1]
#     b = img[:, :, 2]
#
#     #求出原始图像亮度分量
#     l = (img[:, :, 0] + img[:, :, 1] + img[:, :, 2]) / 3.0 + 0.001
#
#     mask_1 = l > 128.0
#     #利用原始图像的亮度分量结合R, G, B求出HSL空间的H, S;
#     rhs = (r * 128.0 - (l - 128.0) * 256.0) / (256.0 - l)
#     ghs = (g * 128.0 - (l - 128.0) * 256.0) / (256.0 - l)
#     bhs = (b * 128.0 - (l - 128.0) * 256.0) / (256.0 - l)
#
#     rhs = rhs * mask_1 + (r * 128.0 / l) * (1 - mask_1)
#     ghs = ghs * mask_1 + (g * 128.0 / l) * (1 - mask_1)
#     bhs = bhs * mask_1 + (b * 128.0 / l) * (1 - mask_1)
#     #然后求出新的亮度值 亮度的调整增量(-255,255)
#     l_new = l + brightness - 128.0
#     #再利用新的亮度值结合H,S,求出新的R,G,B分量
#     mask_2 = l_new > 0.0
#
#     r_new = rhs + (256.0 - rhs) * l_new / 128.0
#     g_new = ghs + (256.0 - ghs) * l_new / 128.0
#     b_new = bhs + (256.0 - bhs) * l_new / 128.0
#
#     r_new = r_new * mask_2 + (rhs + rhs * l_new / 128.0) * (1 - mask_2)
#     g_new = g_new * mask_2 + (ghs + ghs * l_new / 128.0) * (1 - mask_2)
#     b_new = b_new * mask_2 + (bhs + bhs * l_new / 128.0) * (1 - mask_2)
#
#     img_out = img * 1.0
#
#     img_out[:, :, 0] = r_new
#     img_out[:, :, 1] = g_new
#     img_out[:, :, 2] = b_new
#
#     img_out = img_out / 255.0
#
#     # 饱和处理
#     mask_3 = img_out < 0
#     mask_4 = img_out > 1
#
#     img_out = img_out * (1 - mask_3)
#     img_out = img_out * (1 - mask_4) + mask_4
#
#     return img_out

def adjust_brightness_hls(img, brightness):#img is [0-1]
    img = img.astype(np.float32) / 255.0
    # BGR2HLS
    img_hls = cv2.cvtColor(img, cv2.COLOR_BGR2HLS)
    # adjust light(linear transform)
    img_hls[:, :, 1] = (1.0 + 0.35) * img_hls[:, :, 1]
    img_hls[:, :, 1][img_hls[:, :, 1] > 1] = 1
    # #adjust saturation
    # img_hls[:, :, 2] = (1.0 + 0.2) * img_hls[:, :, 2]
    # img_hls[:, :, 2][img_hls[:, :, 2] > 1] = 1
    # HLS2BGR
    img_ls = cv2.cvtColor(img_hls, cv2.COLOR_HLS2BGR) * 255
    # img_ls = np.clip(img_ls, 0, 255).astype(np.uint8)
    return img_ls

alpha合成方式（线性方式）

在这里插入图片描述

def adjust_brightness_linear(img, brightness):#brightness arange [-1, 1]
    if brightness <= 0:
        img_out = img * (1 - brightness) + brightness * 255
    else:
        img_out = img * (1 + brightness) + brightness * 0

    return img_out

亮度和对比度同时调整

在这里插入图片描述

总结

在这里插入图片描述

import cv2
import sys
import numpy as np
import matplotlib.pyplot as plt
 
"""
  基于RGB空间亮度调整算法：
  主要是对RGB空间进行亮度调整。计算出调整系数后，调整手段主要有两种：
    1) 基于当前RGB值大小进行调整，即R、G、B值越大，调整的越大，
    例如：当前像素点为(100,200,50),调整系数1.1,则调整后为(110,220,55)；
    2) 不考虑RGB值大小的影响，即始终对各个点R、G、B值进行相同的调整，
    例如：当前像素点为(100,200,50),调整系数10/255,则调整后为(110,210,60)。
"""
def RGBAlgorithm(rgb_img, value=0.5, basedOnCurrentValue=True):
    img = rgb_img * 1.0
    img_out = img
    
    # 基于当前RGB进行调整（RGB*alpha）
    if basedOnCurrentValue:
        # 增量大于0，指数调整
        if value >= 0 :
            alpha = 1 - value
            alpha = 1/alpha
 
        # 增量小于0，线性调整
        else:
            alpha = value + 1
            
        img_out[:, :, 0] = img[:, :, 0] * alpha
        img_out[:, :, 1] = img[:, :, 1] * alpha
        img_out[:, :, 2] = img[:, :, 2] * alpha
            
    # 独立于当前RGB进行调整（RGB+alpha*255）
    else:
        alpha = value
        img_out[:, :, 0] = img[:, :, 0] + 255.0 * alpha
        img_out[:, :, 1] = img[:, :, 1] + 255.0 * alpha
        img_out[:, :, 2] = img[:, :, 2] + 255.0 * alpha
        
    img_out = img_out/255.0
    
    # RGB颜色上下限处理(小于0取0，大于1取1)
    mask_3 = img_out  < 0 
    mask_4 = img_out  > 1
    img_out = img_out * (1-mask_3)
    img_out = img_out * (1-mask_4) + mask_4
    
    return img_out
 
"""
  基于HSV空间亮度调整算法：
  主要是对HSV空间的亮度V值进行调整。计算出调整系数后，调整手段主要有两种：
    1) 基于当前V值大小进行调整，即V值越大，调整的越大，
    例如：当前像素点V值为200,调整系数1.1,则调整后为220；
    2) 不考虑V值大小的影响，即始终对各个V值进行相同的调整，
    例如：当前像素点V值为200,调整系数10/255,则调整后为210。
"""
def HSVAlgorithm(rgb_img, value=0.5, basedOnCurrentValue=True):
    hsv_img = cv2.cvtColor(rgb_img, cv2.COLOR_RGB2HSV)
    img = hsv_img * 1.0
    img_out = img
    
    # 基于当前亮度进行调整（V*alpha）
    if basedOnCurrentValue:
        # 增量大于0，指数调整
        if value >= 0 :
            alpha = 1 - value
            alpha = 1/alpha
 
        # 增量小于0，线性调整
        else:
            alpha = value + 1
        img_out[:, :, 2] = img[:, :, 2] * alpha
    
    else :
        alpha = value
        img_out[:, :, 2] = img[:, :, 2] + 255.0 * alpha
    
    # HSV亮度上下限处理(小于0取0，大于1取1)
    img_out = img_out/255.0
    mask_1 = img_out  < 0 
    mask_2 = img_out  > 1
    img_out = img_out * (1-mask_1)
    img_out = img_out * (1-mask_2) + mask_2
    img_out = img_out * 255.0
    
    # HSV转RGB
    img_out = np.round(img_out).astype(np.uint8)
    img_out = cv2.cvtColor(img_out, cv2.COLOR_HSV2RGB)
    img_out = img_out/255.0
    
    return img_out
 
path = './resource/fruit.bmp'
value = 0.3  # 范围-1至1
basedOnCurrentValue = True  # 0或者1
 
# run : python Lightness.py (path) (value) (basedOnCurrentValue)
if __name__ == "__main__":
    len = len(sys.argv)
    if len >= 2 :
        path = sys.argv[1]
        if len >= 3 :
            value = float(sys.argv[2])
            if len >= 4 :
                basedOnCurrentValue = bool(int(sys.argv[3]))
 
    img = cv2.imread(path)
    img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
    img_rgb = RGBAlgorithm(img, value, basedOnCurrentValue)
    img_hsv = HSVAlgorithm(img, value, basedOnCurrentValue)
 
    plt.figure("img_original")
    plt.imshow(img/255.0)
    plt.axis('off')
 
    plt.figure("img_light_rgb")
    plt.imshow(img_rgb)
    plt.axis('off')
 
    plt.figure("img_light_hsv")
    plt.imshow(img_hsv)
    plt.axis('off')
 
    plt.show()

参考资料
GDI+ 在Delphi程序的应用 – 调整图像亮度
 GDI+ 在Delphi程序的应用 – ColorMatrix与图像亮度
 Python实现PS图像明亮度调整效果示例（python调节图片亮度）
OpenCV图像处理|1.7 调整图像亮度与对比度
 改进的图像线性亮度调整方法
 OpenCV 基于RGB三原色的基本线性变换改变图像颜色和亮度对比度增强算法
 图像处理——亮度调整算法（python语言）
图像处理——对比度调整算法（python语言）

studyeboy

关注

1
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
图像亮度调整

基于RGB空间亮度调整算法：主要是对RGB空间进行亮度调整。计算出调整系数后，调整手段主要有两种：1) 基于当前RGB值大小进行调整，即R、G、B值越大，调整的越大，例如：当前像素点为(100,200,50),调整系数1.1,则调整后为(110,220,55)；2) 不考虑RGB值大小的影响，即始终对各个点R、G、B值进行相同的调整，例如：当前像素点为(100,200,50),调整系数10/255,则调整后为(110,210,60)。
复制链接

扫一扫