计算机视觉 / 系统课时
调整亮度与对比度
调整亮度与对比度
亮度与对比度可以用一次线性像素变换完成:先按比例放大或压缩像素差异,再整体加上偏移量。本节使用 OpenCV 4.x 对 uint8 图像执行可控变换,并重点处理超过 0~255 范围后的饱和裁剪问题。
学习目标
- 区分对比度系数
alpha与亮度偏移beta的作用 - 使用 OpenCV 完成线性亮度、对比度调整并验证结果
- 识别高光裁剪、暗部压死和
convertScaleAbs的使用边界
用 alpha 和 beta 控制像素
线性调整可以写成 dst = saturate(src * alpha + beta)。alpha=1 保持原对比度,大于 1 会拉开像素差异,小于 1 会压缩差异;beta 以像素值为单位整体平移亮度,例如 beta=20 会让未饱和像素提高约 20。
| 参数 | 示例值 | 直接效果 |
|---|---|---|
alpha |
0.8 | 对比度降低,亮暗差距缩小 |
alpha |
1.25 | 对比度提高,亮暗差距扩大 |
beta |
30 | 整体变亮约 30 个灰度级 |
beta |
-30 | 整体变暗约 30 个灰度级 |
对 uint8 图像,最终结果只能落在 0~255。假设原像素为 240,使用 alpha=1.25、beta=15 时理论值是 315,但输出会被裁剪为 255;因此增大对比度时要同时检查高光是否大面积饱和。
用 addWeighted 执行线性变换
cv2.addWeighted 会完成加权运算并按目标图像的数据类型进行饱和转换。把第二幅输入仍设为原图、第二权重设为 0,就可以直接实现 src * alpha + beta,并且负 beta 时不会额外执行绝对值操作。
import cv2
import numpy as np
src = np.array(
[[20, 60, 100, 140],
[180, 210, 240, 250]],
dtype=np.uint8,
)
alpha = 1.25
beta = 15
# 等价于 alpha * src + beta,并自动饱和到 uint8 范围。
dst = cv2.addWeighted(src, alpha, src, 0.0, beta)
print(dst)
print(f"min={dst.min()}, max={dst.max()}, mean={dst.mean():.3f}")预期输出
[[ 40 90 140 190]
[240 255 255 255]]
min=40, max=255, mean=183.125前五个像素仍能按线性关系区分层次,而后三个高亮像素已经全部变成 255。这正是过强对比度或亮度提升常见的高光裁剪现象;查看均值并不足以发现它,还应统计 0 和 255 附近的像素比例。
按图像问题选择参数
整体偏暗但层次正常时,可以先保持 alpha=1.0,测试 beta=15~40。画面灰蒙、亮暗差距不足时,可从 alpha=1.1~1.3 开始,并把 beta 控制在较小范围。每次只改变一个参数,更容易判断是哪项调整导致细节丢失。
实际照片可以增加两个检查值:计算 dst <= 5 的像素比例观察暗部是否压死,计算 dst >= 250 的比例观察高光是否接近饱和。如果其中一项超过约 5%,就应回看图像内容,而不是继续只凭平均亮度判断质量。
线性调整解决不了什么
线性变换会对整幅图使用同一组 alpha 和 beta。如果一张照片同时存在窗外严重过曝、室内人物过暗,单纯提高 beta 往往会进一步损失窗外高光;降低 beta 又会让室内更暗。这类局部曝光差异应考虑直方图均衡、CLAHE 或其他局部增强方法。
同样地,alpha 不是“清晰度”参数。把它从 1.2 提到 2.0 只会更猛烈地拉开像素值并产生裁剪,不会恢复已经丢失的纹理。完成调整后至少检查暗部、高光和主体边缘三个位置,确认增加层次的同时没有把有效信息压到 0 或 255。