调整图像整体亮度 opencv python opencv调整图片亮度

一、图像混合

1.1 ROI线性混合

1.1.1 ROI

在图像处理领域,我们常常需要设置感兴趣区域(ROI, region of interest),来专注或者简化工作过程。也就是从图像中选择的一个图像区域,这个区域是图像分析所关注的重点。我们圈定这个区域,以便进行进一步处理。而且,使用ROI指定想读入的目标,可以减少处理时间,增加精度,给图像处理来带不小的便利。

定义ROI区域有两种方法:第一种是使用表示矩形区域的Rect,它指定矩形的左上角坐标(构造函数的前两个参数)和矩形的长宽(构造函数的后两个参数)以定义一个矩形区域。

其中, image为已经载入好的图片。

//定义一个Mat类型并给其设定ROI区域
Mat imageRoI;
//方法一
imageRoI-image (Rect (500, 250, logo.cols, logo.rows));

另一种定义ROI的方式是指定感兴趣行或列的范围(Range), Range是指从起始索引到终止索引(不包括终止索引)的一连段连续序列。cRange可以用来定义Range,如果使用Range来定义ROI,那么前例中定义ROI的代码可以重写为:

//方法二
imageRoI-image (Range (250, 250+1ogoImage. rows) , Range (200, 200+1ogoImage .cols));

1.1.2 线性混合操作

线性混合操作是一种典型的二元(两个输入)的像素操作,它的理论公式如下:

我们通过在范围0到1之间改变alpha值,来对两幅图像（fo(x)和fl(x)）或两段视频(同样为(fO(x)和f1(x))产生时间上的画面叠化(cross-dissolve)效果,就像幻灯片放映和电影制作中的那样,也就是在幻灯片翻页时设置的前后页缓慢过渡叠加效果,以及电影情节过渡时经常出现的画面叠加效果。
实现方面,主要运用了OpenCV中addWeighted函数,下面来一起全面地了解它。

1.1.3 计算数组加权和

addWeighted()函数的作用是计算两个数组(图像阵列)的加权和。原型如下:

void (InputArray srcl, double alpha, InputArray src2, double beta, double gamma, OutputArray dst, int dtype=-1);

• 第一个参数, InputArray类型的src1,表示需要加权的第一个数组,常常填个Mat;
• 第二个参数, double类型的alpha,表示第一个数组的权重;
• 第三个参数, InputArray类型的src2,表示第二个数组,它需要和第一个数组拥有相同的尺寸和通道数;
• 第四个参数, double类型的beta,表示第二个数组的权重值;
• 第五个参数, double类型的gamma,一个加到权重总和上的标量值。其含义通过接下来列出的式子自然会理解;
• 第六个参数, OutputArray类型的dst,输出的数组,它和输入的两个数组拥有相同的尺寸和通道数;
• 第七个参数, int类型的dtype,输出阵列的可选深度,有默认值-1。当两个输入数组具有相同的深度时,这个参数设置为-1 (默认值),即等同于sre1.depth)

下面的数学公式表示:用addWeighted函数计算以下两个数组(srcl和sre2)的加权和,得到结果输出给第四个参数,也就是addweighted函数的作用的矩阵表达式。

其中I是多维数组元素的索引值。而且,在遇到多通道数组的时候,每个通"道都需要独立地进行处理。另外需要注意的是,当输出数组的深度为CV-32S时,这个函数就不适用了,这时候就会内存溢出或者算出的结果压根不对。

1.1.4 示例

// 线性混合实现函数,指定区域线性图像混合.利用cv::addWeighted（）函数结合定义感兴趣区域ROI，实现自定义区域的线性混合
bool  ROI_LinearBlending()
{
	//【1】读取图像
	Mat srcImage4 = imread("F:\\CV\\LearnCV\\files\\Maria.jpg", 1);
	Mat logoImage = imread("F:\\CV\\LearnCV\\files\\log.jpg");

	if (!srcImage4.data) { printf("读取srcImage4错误~！ \n"); return false; }
	if (!logoImage.data) { printf("读取logoImage错误~！ \n"); return false; }

	//【2】定义一个Mat类型并给其设定ROI区域
	Mat imageROI;
	//方法一
	imageROI = srcImage4(Rect(0, 0, logoImage.cols, logoImage.rows));
	//方法二
	//imageROI= srcImage4(Range(0,logoImage.rows),Range(0,logoImage.cols));

	//【3】将logo加到原图上
	addWeighted(imageROI, 0.5, logoImage, 0.3, 0., imageROI);

	//【4】显示结果
	imshow("区域线性图像混合示例窗口", srcImage4);

	return true;
}

1.2 多通道图像混合

上节中我们讲解了如何使用addWeighted函数进行图像混合操作,以及如何将ROI和addWeighted函数结合起来,对指定区域进行图像混合操作。

而为了更好地观察一些图像材料的特征,有时需要对RGB三个颜色通道的分量进行分别显示和调整。通过OpenCV的split和merge方法可以很方便地达到目的。

这一节,我们会详细介绍这两个互为“冤家”的函数。首先来看看进行通道分离的split函数。

1.2.1 颜色通道分离

split函数用于将一个多通道数组分离成几个单通道数组。这里的array按语境翻译为数组或者阵列。

这个split函数的C++版本有两个原型,分别是:

• C++: void split(const Mat& src, Mat*mvbegin);
• C++: void split(InputArray m,OutputArrayOfArrays mv);

变量介绍如下:

• 第一个参数, InputArray类型的m或者const Mat&类型的src,填我们需要进行分离的多通道数组。
• 第二个参数, OutputArrayOfArrays类型的mv,填函数的输出数组或者输出的vector容器。

split函数分割多通道数组转换成独立的单通道数组,公式如下:

1.2.2 颜色通道合并

merge0函数是split)函数的逆向操作-将多个数组合并成一个多通道的数组。它通过组合一些给定的单通道数组,将这些孤立的单通道数组合并成一个多通道的数组,从而创建出一个由多个单通道阵列组成的多通道阵列。它有两个基于C+的函数原型如下。

• C++: void merge(const Mat* mv, size tcount, OutputAlrray dst).
• C++: void merge(InputArrayOfArrays mv,OutputArray dst)

变量介绍如下。

• 第一个参数, mv。填需要被合并的输入矩阵或vector容器的阵列,这个mv参数中所有的矩阵必须有着一样的尺寸和深度。
• 第二个参数, count。当mv为一个空白的C数组时,代表输入矩阵的个数,这个参数显然必须大于1。
• 第三个参数, dst。即输出矩阵,和mv[0]拥有一样的尺寸和深度,并且通道的数量是矩阵阵列中的通道的总数。

函数解析如下。

merge函数的功能是将一些数组合并成一个多通道的数组。关于组合的细节,输出矩阵中的每个元素都将是输出数组的串接。其中,第i个输入数组的元素被视为mv[i].一般用其中的Mat:at()方法对某个通道进行存取,也就是这样用:channels.at(0)。

这里的Mat:at()方法返回一个引用到指定的数组元素。注意是引用,相当于两者等价,也就是修改其中一个,另一个也会随之改变。

1.2.3 示例

//多通道混合的实现函数
bool  MultiChannelBlending()
{
	//【0】定义相关变量
	Mat srcImage;
	Mat logoImage;
	vector<Mat> channels;
	Mat  imageBlueChannel;

	// 【1】读入图片
	logoImage = imread("F:\\CV\\LearnCV\\files\\logo.jpg", 0);
	srcImage = imread("F:\\CV\\LearnCV\\files\\maliao.jpg");

	if (!logoImage.data) { printf("Oh，no，读取logoImage错误~！ \n"); return false; }
	if (!srcImage.data) { printf("Oh，no，读取srcImage错误~！ \n"); return false; }

	//【2】把一个3通道图像转换成3个单通道图像
	split(srcImage, channels);//分离色彩通道

	//【3】将原图的通道引用返回给imageBlueChannel，注意是引用，相当于两者等价，修改其中一个另一个跟着变
	//0、1、2：B、G、R
	imageBlueChannel = channels.at(2);
	//【4】将原图的通道的（0,0）坐标处右下方的一块区域和logo图进行加权操作，将得到的混合结果存到imageBlueChannel中
	addWeighted(imageBlueChannel(Rect(0, 0, logoImage.cols, logoImage.rows)), 1.0,
		logoImage, 0.5, 0, imageBlueChannel(Rect(0, 0, logoImage.cols, logoImage.rows)));

	//【5】将三个单通道重新合并成一个三通道
	merge(channels, srcImage);

	//【6】显示效果图
	namedWindow(" 原画+logo通道");
	imshow(" 原画+logo通道", srcImage);
	
	return true;
}

二、对比度、亮度调整

2.1 理论依据

首先了解一下算子的概念。一般的图像处理算子都是一个函数,它接受一个或多个输入图像,并产生输出图像。下面是算子的一般形式。

本节所讲解的图像亮度和对比度的调整操作,其实属于图像处理变换中比较简单的一种-点操作( pointoperators),点操作有一个特点:仅仅根据输入像素值(有时可加上某些全局信息或参数),来计算相应的输出像素值。这类算子包括亮度(brightness)和对比度(contrast)调整、颜色校正(colorcorrection)和变换,(transformations )。

两种最常用的点操作(或者说点算子)是乘上一个常数(对应对比度的调节)以及加上一个常数(对应亮度值的调节)。公式如下:

看到这个式子,我们关于图像亮度和对比度调整的策略就比较好理解了。

其中:

• 参数f(x)表示源图像像素。
• 参数g(x)表示输出图像像素。
• 参数a (需要满足a>0)被称为增益(gain),常常被用来控制图像的对比度。
• 参数b通常被称为偏置(bias),常常被用来控制图像的亮度。

而更近一步,我们这样改写这个式子:

其中, i和j表示像素位于第i行和第j列,这个式子可以用来作为我们在OpenCV中控制图像的亮度和对比度的理论公式。

2.2 访问像素

在之前我们尝试过使用不同的方法来访问像素，如果忘记了可参照:
我们需要访问图像的每一个像素。因为是对GBR图像进行运算,每个像素有,三个值(G,B. R),所以我们必须分别访问它们(OpenCV中的图像存储模式为GBR)。以下是访问像素的代码片段,使用了三个for循环。

// 三个for循环，执行运算 g_dstImage(i,j) = a*g_srcImage(i,j) + b
	for (int y = 0; y < g_srcImage.rows; y++)
	{
		for (int x = 0; x < g_srcImage.cols; x++)
		{
			for (int c = 0; c < 3; c++)
			{
				g_dstImage.at<Vec3b>(y, x)[c] = saturate_cast<uchar>((g_nContrastValue*0.01)*(g_srcImage.at<Vec3b>(y, x)[c]) + g_nBrightValue);
			}
		}
	}

• 为了访问图像的每一个像素,使用这样的语法: image.at< Vec3b > (y,x)c]。其中, y是像素所在的行,x是像素所在的列,c是R、 G、B (对应0、1、2)其中之一。
• 因为运算结果可能会超出像素取值范围(溢出),还可能是非整数(如果是浮点数的话),所以要用saturatecast对结果进行转换,以确保它为有效值。
• 这里的a也就是对比度,一般为了观察的效果,它的取值为0.0到3.0的浮点值,但是轨迹条一般取值都会取整数,因此在这里我们可以将其代表对比度值的nContrastValue参数设为0到300之间的整型,在最后的式子中乘以一个0.01,这样就完成了轨迹条中300个不同取值的变化。这就是为什么在式子中,会有saturate_cast< uchar >((g_nContrast Value * 0.01) * (image.atVec3b>(y,x)[c)+g_nBrightValue)中的g nContrastValue * 0.01.

2.2 示例

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
 
using namespace std;
using namespace cv;


static void ContrastAndBright(int, void *);

//全局变量声明
int g_nContrastValue; //对比度值
int g_nBrightValue;  //亮度值
Mat g_srcImage, g_dstImage;

int main()
{
	// 读入用户提供的图像
	g_srcImage = imread("F:\\CV\\LearnCV\\files\\logo.jpg");
	if (!g_srcImage.data) { printf("读取g_srcImage图片错误~！ \n"); return false; }
	g_dstImage = Mat::zeros(g_srcImage.size(), g_srcImage.type());

	//设定对比度和亮度的初值
	g_nContrastValue = 80;
	g_nBrightValue = 80;

	//创建窗口
	namedWindow("【效果图窗口】", 1);

	//创建轨迹条
	createTrackbar("对比度：", "【效果图窗口】", &g_nContrastValue, 300, ContrastAndBright);
	createTrackbar("亮   度：", "【效果图窗口】", &g_nBrightValue, 200, ContrastAndBright);

	//调用回调函数
	ContrastAndBright(g_nContrastValue, 0);
	ContrastAndBright(g_nBrightValue, 0);

	//按下“q”键时，程序退出
	while (char(waitKey(1)) != 'q') {}
	return 0;
}

//改变图像对比度和亮度值的回调函数
static void ContrastAndBright(int, void *)
{
	// 创建窗口
	//namedWindow("【原始图窗口】", 1);

	// 三个for循环，执行运算 g_dstImage(i,j) = a*g_srcImage(i,j) + b
	for (int y = 0; y < g_srcImage.rows; y++)
	{
		for (int x = 0; x < g_srcImage.cols; x++)
		{
			for (int c = 0; c < 3; c++)
			{
				g_dstImage.at<Vec3b>(y, x)[c] = saturate_cast<uchar>((g_nContrastValue*0.01)*(g_srcImage.at<Vec3b>(y, x)[c]) + g_nBrightValue);
			}
		}
	}

	// 显示图像
	imshow("【效果图窗口】", g_dstImage);
}