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 < 0] = 255
img[img > 255] = 255
return img.astype(np.uint8)
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_hls(img, brightness):
img = img.astype(np.float32) / 255.0
img_hls = cv2.cvtColor(img, cv2.COLOR_BGR2HLS)
img_hls[:, :, 1] = (1.0 + 0.35) * img_hls[:, :, 1]
img_hls[:, :, 1][img_hls[:, :, 1] > 1] = 1
img_ls = cv2.cvtColor(img_hls, cv2.COLOR_HLS2BGR) * 255
return img_ls
def adjust_brightness_linear(img, brightness):
if brightness <= 0:
img_out = img * (1 - brightness) + brightness * 255
else:
img_out = img * (1 + brightness) + brightness * 0
return img_out
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
if basedOnCurrentValue:
if value >= 0 :
alpha = 1 - value
alpha = 1/alpha
else:
alpha = value + 1
img_out[:, :, 0] = img[:, :, 0] * alpha
img_out[:, :, 1] = img[:, :, 1] * alpha
img_out[:, :, 2] = img[:, :, 2] * alpha
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
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
if basedOnCurrentValue:
if value >= 0 :
alpha = 1 - value
alpha = 1/alpha
else:
alpha = value + 1
img_out[:, :, 2] = img[:, :, 2] * alpha
else :
alpha = value
img_out[:, :, 2] = img[:, :, 2] + 255.0 * alpha
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
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
basedOnCurrentValue = True
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）
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)。
Increment = -10.0
img = img * 1.0
I = (img[:, :, 0] + img[:, :, 1] + img[:, :, 2])/3.0 + 0.001
mask_1 = I > 128.0
r = img [:, :, 0]
g = img [:, :, 1]
b = img [:, :, 2]
亮度调整算法说明（完整python代码在文末）：
本算法的基本原理就是对像素点统一进行加上或减去某个调整值，已达到亮度的增强或减弱。包括基于RGB空间R、G、B值的调整和基于HSV空间V值的调整。
（参考CSDN博客：https://blog.csdn.net/maozefa/article/details/4493395）
1. 基于RGB空间亮度调整算法：
主要是对RGB空...
[Paper] EdgeFlow:Achieving Practical Interactive Segmentation with Edge-Guided Flow(2021)
[Code]PaddlePaddle/PaddleSeg
EdgeFlow: Achieving Practical Interactive Segmentation with Edge-Guided Flow
EdgeFlow：使用 Edge-Guided Flow 实现实用的交互式分割
高质量的训练数据在图像分割任务中起着关键
人脸美颜算法
美颜的目的就是要让人看起来更美，包括：皮肤细腻、白皙、光滑、脸部各个器官及脸型可以进行细致的
调整，通过美妆调节可以叨叨快速上妆的效果。人脸美颜效果，从技术上主要通过四个关键步骤实现。
获取人脸关键点信息
美颜处理依赖于人脸关键点信息，基于这些关键点，可以精确的知道脸部各个器官的位置信息，从而进行美化处理。
人脸关键点基本信息主要包括眉毛、眼睛、嘴巴、脸部外轮廓等关键点。
基于检测的关键点对脸部关键点进行稠密化处理，插入额外的关键点，如额头区域和脸部外围限制区域，使其能够覆盖整个脸部区域。
OpenCV提供了一些函数来调整图像的亮度和对比度。其中，最常用的是 `cv::convertScaleAbs` 函数。该函数可以缩放和平移图像像素值，并将结果转换为无符号8位整数格式，同时保持像素值之间的比例关系。
以下是一个简单的示例代码，演示如何使用 `cv::convertScaleAbs` 函数来调整图像的亮度：
```cpp
cv::Mat image = cv::imread("example.jpg");
cv::Mat brightened_image;
float alpha = 1.5; // 亮度增益
int beta = 50; // 亮度偏移量
cv::convertScaleAbs(image, brightened_image, alpha, beta);
cv::imshow("Original Image", image);
cv::imshow("Brightened Image", brightened_image);
cv::waitKey(0);
在上面的示例中，我们首先读取了一张图像 `example.jpg`，然后定义了一个亮度增益 `alpha` 和一个亮度偏移量 `beta`。接下来，我们使用 `cv::convertScaleAbs` 函数来调整图像的亮度，并将结果保存在 `brightened_image` 中。最后，我们使用 `cv::imshow` 函数来显示原始图像和调整后的图像。
需要注意的是，如果调整图像的亮度过高或过低，可能会导致图像像素值超出了 0 到 255 的范围，因此可能需要进行截断或归一化操作。
