当拍摄一张纸时（例如使用手机摄像头），我得到以下结果（左图）（jpg下载here https://i.stack.imgur.com/mY7ep.jpg）。所需的结果（使用图像编辑软件手动处理）在右侧：
我想用 openCV 处理原始图像以获得更好的亮度/对比度自动地（让背景更白）.
假设：图像具有 A4 纵向格式（在本主题中，我们不需要对其进行透视变形），并且纸张是白色的，可能包含黑色或彩色的文本/图像。
到目前为止我尝试过的：
Various 自适应阈值处理方法，例如 Gaussian、OTSU（请参阅 OpenCV 文档图像阈值处理 https://docs.opencv.org/3.4.0/d7/d4d/tutorial_py_thresholding.html）。它通常与 OTSU 配合良好：
ret, gray = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)
但它只适用于灰度图像而不是直接用于彩色图像。而且，输出是二进制（白色或黑色），这是我不想要的：我更喜欢保留彩色非二进制图像作为输出
直方图均衡化 https://en.wikipedia.org/wiki/Histogram_equalization
正如这所建议的answer https://stackoverflow.com/a/15009815/1422096 (直方图均衡不适用于彩色图像 - OpenCV https://stackoverflow.com/questions/15007304/histogram-equalization-not-working-on-color-image-opencv） 或这个one https://stackoverflow.com/a/38312281/1422096 (OpenCV Python equalizeHist 彩色图像 https://stackoverflow.com/questions/31998428/opencv-python-equalizehist-colored-image):
img3 = cv2.imread(f)
img_transf = cv2.cvtColor(img3, cv2.COLOR_BGR2YUV)
img_transf[:,:,0] = cv2.equalizeHist(img_transf[:,:,0])
img4 = cv2.cvtColor(img_transf, cv2.COLOR_YUV2BGR)
cv2.imwrite('test.jpg', img4)
或单纯疱疹病毒：
img_transf = cv2.cvtColor(img3, cv2.COLOR_BGR2HSV)
img_transf[:,:,2] = cv2.equalizeHist(img_transf[:,:,2])
img4 = cv2.cvtColor(img_transf, cv2.COLOR_HSV2BGR)
不幸的是，结果非常糟糕，因为它在局部产生了可怕的微观对比（？）：
我也尝试了YCbCr，效果类似。
我也尝试过CLAHE（对比度有限自适应直方图均衡） https://docs.opencv.org/3.1.0/d5/daf/tutorial_py_histogram_equalization.html与各种tileGridSize from 1 to 1000:
img3 = cv2.imread(f)
img_transf = cv2.cvtColor(img3, cv2.COLOR_BGR2HSV)
clahe = cv2.createCLAHE(tileGridSize=(100,100))
img_transf[:,:,2] = clahe.apply(img_transf[:,:,2])
img4 = cv2.cvtColor(img_transf, cv2.COLOR_HSV2BGR)
cv2.imwrite('test.jpg', img4)
但结果也同样糟糕。
按照问题中的建议，使用 LAB 颜色空间执行此 CLAHE 方法如何在 RGB 彩色图像上应用 CLAHE https://stackoverflow.com/questions/25008458/how-to-apply-clahe-on-rgb-color-images:
import cv2, numpy as np
bgr = cv2.imread('_example.jpg')
lab = cv2.cvtColor(bgr, cv2.COLOR_BGR2LAB)
lab_planes = cv2.split(lab)
clahe = cv2.createCLAHE(clipLimit=2.0,tileGridSize=(100,100))
lab_planes[0] = clahe.apply(lab_planes[0])
lab = cv2.merge(lab_planes)
bgr = cv2.cvtColor(lab, cv2.COLOR_LAB2BGR)
cv2.imwrite('_example111.jpg', bgr)
也给出了不好的结果。输出图像：
进行自适应阈值处理或直方图均衡每个通道分别（R、G、B）不是一个选项，因为它会扰乱色彩平衡，如所解释的here https://stackoverflow.com/questions/15007304/histogram-equalization-not-working-on-color-image-opencv/15009815.
“对比拉伸”方法来自scikit-image的教程直方图均衡 https://scikit-image.org/docs/dev/auto_examples/color_exposure/plot_equalize.html:
图像被重新缩放以包含第 2 个和第 98 个百分位数内的所有强度
稍微好一点，但距离期望的结果还很远（参见这个问题顶部的图片）。
TL;DR：如何使用 OpenCV/Python 对一张纸的彩色照片进行自动亮度/对比度优化？可以使用什么样的阈值/直方图均衡/其他技术？
可以使用 alpha (α）和贝塔（β）， 分别。这些变量通常被称为gain and bias参数。表达式可以写成
OpenCV 已经将其实现为cv2.convertScaleAbs() https://docs.opencv.org/2.4/modules/core/doc/operations_on_arrays.html#convertscaleabs所以我们可以将这个函数与用户定义的一起使用alpha and beta values.
import cv2
image = cv2.imread('1.jpg')
alpha = 1.95 # Contrast control (1.0-3.0)
beta = 0 # Brightness control (0-100)
manual_result = cv2.convertScaleAbs(image, alpha=alpha, beta=beta)
cv2.imshow('original', image)
cv2.imshow('manual_result', manual_result)
cv2.waitKey()
但问题是
如何自动优化彩色照片的亮度/对比度？
本质上问题是如何自动计算alpha and beta。为此，我们可以查看图像的直方图。自动亮度和对比度优化计算 alpha 和 beta，使输出范围为[0...255]。我们计算累积分布以确定颜色频率小于某个阈值（例如 1%）的位置，并剪切直方图的右侧和左侧。这给了我们最小和最大范围。这是剪切之前（蓝色）和剪切之后（橙色）的直方图的可视化。请注意图像中更“有趣”的部分在剪切后如何更加明显。
计算alpha，我们取裁剪后的最小和最大灰度范围，并将其除以我们所需的输出范围255
α = 255 / (maximum_gray - minimum_gray)
为了计算 beta，我们将其代入公式，其中g(i, j)=0 and f(i, j)=minimum_gray
g(i,j) = α * f(i,j) + β
解决后的结果是这样的
β = -minimum_gray * α
对于您的图像，我们得到这个
阿尔法：3.75
贝塔值：-311.25
您可能需要调整剪切阈值以优化结果。以下是对其他图像使用 1% 阈值的一些示例结果：-> After
自动亮度和对比度代码
import cv2
import numpy as np
from matplotlib import pyplot as plt
# Automatic brightness and contrast optimization with optional histogram clipping
def automatic_brightness_and_contrast(image, clip_hist_percent=1):
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Calculate grayscale histogram
hist = cv2.calcHist([gray],[0],None,[256],[0,256])
hist_size = len(hist)
# Calculate cumulative distribution from the histogram
accumulator = []
accumulator.append(float(hist[0]))
for index in range(1, hist_size):
accumulator.append(accumulator[index -1] + float(hist[index]))
# Locate points to clip
maximum = accumulator[-1]
clip_hist_percent *= (maximum/100.0)
clip_hist_percent /= 2.0
# Locate left cut
minimum_gray = 0
while accumulator[minimum_gray] < clip_hist_percent:
minimum_gray += 1
# Locate right cut
maximum_gray = hist_size -1
while accumulator[maximum_gray] >= (maximum - clip_hist_percent):
maximum_gray -= 1
# Calculate alpha and beta values
alpha = 255 / (maximum_gray - minimum_gray)
beta = -minimum_gray * alpha
'''
# Calculate new histogram with desired range and show histogram
new_hist = cv2.calcHist([gray],[0],None,[256],[minimum_gray,maximum_gray])
plt.plot(hist)
plt.plot(new_hist)
plt.xlim([0,256])
plt.show()
'''
auto_result = cv2.convertScaleAbs(image, alpha=alpha, beta=beta)
return (auto_result, alpha, beta)
image = cv2.imread('1.jpg')
auto_result, alpha, beta = automatic_brightness_and_contrast(image)
print('alpha', alpha)
print('beta', beta)
cv2.imshow('auto_result', auto_result)
cv2.waitKey()
使用此代码的结果图像：
使用 1% 阈值的其他图像的结果
替代版本是添加gain and bias使用饱和度算法而不是使用 OpenCV 的图像cv2.convertScaleAbs()。内置方法不采用绝对值，这会导致无意义的结果（例如，在 alpha = 3 且 beta = -210 的 44 处的像素在 OpenCV 中变为 78，而实际上它应该变为 0）。
import cv2
import numpy as np
# from matplotlib import pyplot as plt
def convertScale(img, alpha, beta):
"""Add bias and gain to an image with saturation arithmetics. Unlike
cv2.convertScaleAbs, it does not take an absolute value, which would lead to
nonsensical results (e.g., a pixel at 44 with alpha = 3 and beta = -210
becomes 78 with OpenCV, when in fact it should become 0).
"""
new_img = img * alpha + beta
new_img[new_img < 0] = 0
new_img[new_img > 255] = 255
return new_img.astype(np.uint8)
# Automatic brightness and contrast optimization with optional histogram clipping
def automatic_brightness_and_contrast(image, clip_hist_percent=25):
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Calculate grayscale histogram
hist = cv2.calcHist([gray],[0],None,[256],[0,256])
hist_size = len(hist)
# Calculate cumulative distribution from the histogram
accumulator = []
accumulator.append(float(hist[0]))
for index in range(1, hist_size):
accumulator.append(accumulator[index -1] + float(hist[index]))
# Locate points to clip
maximum = accumulator[-1]
clip_hist_percent *= (maximum/100.0)
clip_hist_percent /= 2.0
# Locate left cut
minimum_gray = 0
while accumulator[minimum_gray] < clip_hist_percent:
minimum_gray += 1
# Locate right cut
maximum_gray = hist_size -1
while accumulator[maximum_gray] >= (maximum - clip_hist_percent):
maximum_gray -= 1
# Calculate alpha and beta values
alpha = 255 / (maximum_gray - minimum_gray)
beta = -minimum_gray * alpha
'''
# Calculate new histogram with desired range and show histogram
new_hist = cv2.calcHist([gray],[0],None,[256],[minimum_gray,maximum_gray])
plt.plot(hist)
plt.plot(new_hist)
plt.xlim([0,256])
plt.show()
'''
auto_result = convertScale(image, alpha=alpha, beta=beta)
return (auto_result, alpha, beta)
image = cv2.imread('1.jpg')
auto_result, alpha, beta = automatic_brightness_and_contrast(image)
print('alpha', alpha)
print('beta', beta)
cv2.imshow('auto_result', auto_result)
cv2.imwrite('auto_result.png', auto_result)
cv2.imshow('image', image)
cv2.waitKey()