版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章结构
文章主要目的是分享一种自动调节图像亮度的方法，在这篇文章内，你能了解到以下内容：
- 图像的灰度直方图
- 图像的亮度调整
1.图像的直方图
一张图像一般由RGB三个通道（红色、绿色、蓝色三个部分）组成。单独对某个通道而言，把一幅图像中每一个像素出现的次数都统计出来，然后把每一个像素出现的次数除以总的像素个数，得到的就是这个像素出现的频率，然后再把该像素出现的频率用图表示出来，就构成了灰度直方图。
图像直方图由于其计算代价较小，且具有图像平移、旋转、缩放不变性等众多优点，广泛地应用于图像处理的各个领域，特别是灰度图像的阈值分割、基于颜色的图像检索以及图像分类。本文所述的图像亮度自适应调整方法就依赖于图像直方图的概念。
用等会儿我们即将做亮度自适应增强的例子展示直方图效果：
注：上述影像并非存黑色，为了展示，找了一张亮度较低的卫星影像做实例。直方图中的红绿蓝色线条分别代表rgb三个通道的灰度直方图。
2.图像亮度自适应调整
可以看到，三个通道的像素值大多分布在0到20之间，所以图像呈现极暗。图像的亮度也是与像素值挂钩，像素值越大，则一般而言，影像会越亮，那是不是对每个像素值加一定值就可以调整亮度呢？
答案是否定的，若直接将像素值加上200，则结果图像会变白，但是地物依然无法识别，这是因为像素值之间的差别很小，可能像素值5代表的是灰色的屋顶，6代表的是绿色的草地，但是在像素值变大后变为205与206，看起来都是白色，所以无法展示实际影像。
上述的是影像的亮度调整，所以还需要影像的对比度调整。
影像的对比度指的是间隔，在调大像素值的同时增加像素值之间的间隔，则会得到较好的结果。
先展示自适应调整后的结果：
下面讲解具体python实现。
讲道理，先import库，读图片。
import numpy as np
import cv2
def compute(img, min_percentile, max_percentile):
"""计算分位点，目的是去掉图1的直方图两头的异常情况"""
max_percentile_pixel = np.percentile(img, max_percentile)
min_percentile_pixel = np.percentile(img, min_percentile)
return max_percentile_pixel, min_percentile_pixel
def aug(src):
"""图像亮度增强"""
if get_lightness(src)>130:
print("图片亮度足够，不做增强")
# 先计算分位点，去掉像素值中少数异常值，这个分位点可以自己配置。
# 比如1中直方图的红色在0到255上都有值，但是实际上像素值主要在0到20内。
max_percentile_pixel, min_percentile_pixel = compute(src, 1, 99)
# 去掉分位值区间之外的值
src[src>=max_percentile_pixel] = max_percentile_pixel
src[src<=min_percentile_pixel] = min_percentile_pixel
# 将分位值区间拉伸到0到255，这里取了255*0.1与255*0.9是因为可能会出现像素值溢出的情况，所以最好不要设置为0到255。
out = np.zeros(src.shape, src.dtype)
cv2.normalize(src, out, 255*0.1,255*0.9,cv2.NORM_MINMAX)
return out
def get_lightness(src):
# 计算亮度
hsv_image = cv2.cvtColor(src, cv2.COLOR_BGR2HSV)
lightness = hsv_image[:,:,2].mean()
return lightness
img = cv2.imread(r"data/test.png")
img = aug(img)
cv2.imwrite('out.png', img)