OpenCV 例程200篇207. Photoshop 色阶自动调整算法

Posted 2022-06-23 小白YouCans

OpenCV 例程200篇 总目录
201. 图像的颜色空间转换
202. 查表快速替换（cv.LUT）
203. 伪彩色图像处理
204. 图像的色彩风格滤镜
205. 调节色彩平衡/饱和度/明度
206. Photoshop 色阶调整算法
207. Photoshop 色阶自动调整算法

【youcans 的 OpenCV 例程200篇】207. Photoshop 色阶自动调整算法

Photoshop 还提供了自动色阶（Auto Levels）功能。

系统可以根据图像的曝光程度、明暗程度自动调节色彩平衡以达到最佳状态。自动色阶和自动对比度功能算法简单，对于一些图像的处理效果非常显著，具有很强的实用性。

Enhance Per Channel Contrast
Maximizes the tonal range in each channel to produce a more dramatic correction. Because each channel is adjusted individually, Enhance Per Channel Contrast may remove or introduce color casts. The Auto Tone command uses this algorithm.

参考文献： Set Auto adjustment options (adobe.com)

自动色阶调整的实现方法是，系统基于灰度直方图统计结果，自动设置色阶调整所需的参数。

首先设置修剪比例，白场截断比 $C_{low}$ 和黑场截断比 $C_{high}$ 。默认值 0.1%，通常取 0.1～1.0%。修剪比例的作用是剔除一定比例的最小、最大灰度的像素，以排除个别异常噪声点的干扰。排除异常干扰后的最小、最大灰度值被设为图像中的黑场、白场基准。

具体地，将图像中灰度值最小的、比例为 $C_{low}$ 的像素剔除后的最小灰度值作为黑场阈值，将图像中灰度值最大的、比例为 $C_{high}$ 的像素剔除后的最大灰度值作为白场阈值。

例如，一个尺寸 100*100 的图像的像素灰度值从小到大排序的结果是：75, 77,…,240,241，按 0.1%的修剪比例分别剔除最小、最大灰度值后的结果是：77, …, 240，则设黑场阈值为 77，白场阈值为 240。

为了提高算法效率，可以先将图像转为灰度图像后计算得到灰度直方图，然后按修剪比例查找得到黑场阈值、白场阈值。

灰场调节值 midtone 实际上是实现 Gamma 变换，可以由灰度均值或中间值得到。

具体地，输入色阶调整有 3 个调节参数：黑场阈值 $S_{in}$、白场阈值 $H_{in}$和灰场值$M$。

输入色阶调整算法，先根据黑场阈值和白场阈值对 RGB 颜色通道的动态范围进行线性拉伸，再根据灰场调节值进行幂律变换（伽马变换），对发白（曝光过度）或过暗（曝光不足）的图片进行矫正。

$$\begin{array}{rl}& V_1=\{\begin{array}{ll}0& ,V_{in}<S_{in}\\ 255& ,V_{in}>H_{in}\\ 255\ast (V_{in}-S_{in})/(H_{in}-S_{in})& ,else\end{array}\\ & \\ & V_2=255\ast (V_1/255{)}^{1/M}\end{array}$$

输出色阶调整有 2个调节参数：黑场阈值 $S_{out}$、白场阈值 $H_{out}$ ，分别对应着输出图像的最小像素值、最大像素值。

输出色阶调整方法是基于动态范围进行线性拉伸：

$$V_{out}=\{\begin{array}{ll}0& ,V_2<0\\ 255& ,V_2>255\\ S_{out}+(H_{out}-S_{out})\ast V_2\ast /255& ,else\end{array}$$

例程 14.14：Photoshop 色阶自动调整算法

本例程实现 Photoshop 的色阶调整算法，自动设置色阶调整参数，对 R/G/B 各通道的动态范围分别进行拉伸。

    # 14.14 Photoshop 自动色阶调整算法
    def autoLevels(img, cutoff=0.1):
        channels = img.shape[2]  # h,w,ch
        table = np.zeros((1,256,3), np.uint8)
        for ch in range(channels):
            # cutoff=0.1, 计算 0.1%, 99.9% 分位的灰度值
            low = np.percentile(img[:,:,ch], q=cutoff)  # ch 通道, cutoff=0.1, 0.1 分位的灰度值
            high = np.percentile(img[:,:,ch], q=100 - cutoff)  # 99.9 分位的灰度值, [0, high] 占比99.9%
            # 输入动态线性拉伸
            Sin = min(max(low, 0), high - 2)  # Sin, 黑场阈值, 0<=Sin<Hin
            Hin = min(high, 255)  # Hin, 白场阈值, Sin<Hin<=255
            difIn = Hin - Sin
            V1 = np.array([(min(max(255*(i-Sin)/difIn, 0), 255)) for i in range(256)])
            # 灰场伽马调节
            gradMed = np.median(img[:,:,ch])  # 拉伸前的中值
            Mt = V1[int(gradMed)] / 128.  # 拉伸后的映射值
            V2 = 255 * np.power(V1/255, 1/Mt)  # 伽马调节
            # 输出线性拉伸
            Sout, Hout = 5, 250  # Sout 输出黑场阈值, Hout 输出白场阈值
            difOut = Hout - Sout
            table[0, :, ch] = np.array([(min(max(Sout + difOut*V2[i]/255, 0), 255)) for i in range(256)])
        return cv.LUT(img, table)

    # Photoshop 自动色阶调整算法
    img = cv.imread("../images/Fig0310b.tif", flags=1)  # 读取彩色图像
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)  # 转换为灰度图像
    print("cutoff=, minG=, maxG=".format(0.0, gray.min(), gray.min()))

    # 色阶手动调整
    equManual = levelsAdjust(img, 63, 205, 0.8, 10, 245)  # 手动调节
    # 色阶自动调整
    cutoff = 0.1  # 截断比例, 建议范围 [0.0,1.0]
    equAuto = autoLevels(img, cutoff)

    plt.figure(figsize=(9, 6))
    plt.subplot(131), plt.title("Origin"), plt.axis('off')
    plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))
    plt.subplot(132), plt.title("ManualTuned"), plt.axis('off')
    plt.imshow(cv.cvtColor(equManual, cv.COLOR_BGR2RGB))
    plt.subplot(133), plt.title("AutoLevels"), plt.axis('off')
    plt.imshow(cv.cvtColor(equAuto, cv.COLOR_BGR2RGB))
    plt.tight_layout()
    plt.show()

从本图可以看出，由于 R,G,B 三个通道单独进行调整，出现了明显的色偏问题。

---

【本节完】

版权声明：
参考文献： Use the Photoshop Levels adjustment (adobe.com)
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/125373625)
Copyright 2022 youcans, XUPT
Crated：2022-6-20
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列，持续更新中