В области обработки изображений фильтры яркости играют решающую роль в повышении визуального качества изображений. Эти фильтры помогают регулировать уровни яркости отдельных пикселей, что приводит к улучшению видимости и общего вида. В этой статье мы рассмотрим различные методы применения фильтров яркости к изображениям, сопровождаемые примерами кода для каждого метода. Независимо от того, являетесь ли вы новичком или опытным разработчиком, это подробное руководство даст вам знания для эффективного применения фильтров яркости в ваших проектах обработки изображений.

Метод 1: линейная регулировка яркости
Самый простой метод применения фильтра яркости — линейная регулировка яркости каждого пикселя. Этого можно добиться путем добавления или вычитания постоянного значения к компонентам RGB пикселя. Вот пример фрагмента кода на Python с использованием библиотеки OpenCV:

import cv2
import numpy as np
def adjust_brightness_linear(image, value):
    # Convert image to floating point representation
    image = image.astype(np.float32)
    # Adjust brightness by adding the specified value
    adjusted_image = image + value
    # Clip the pixel values to the valid range of 0-255
    adjusted_image = np.clip(adjusted_image, 0, 255)
    # Convert back to 8-bit unsigned integer representation
    adjusted_image = adjusted_image.astype(np.uint8)
    return adjusted_image
# Load image using OpenCV
image = cv2.imread('input_image.jpg')
# Apply brightness adjustment
brightened_image = adjust_brightness_linear(image, 50)
# Display the results
cv2.imshow('Original Image', image)
cv2.imshow('Brightened Image', brightened_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Метод 2: выравнивание гистограммы
Выравнивание гистограммы — это метод, используемый для повышения контрастности изображения путем перераспределения интенсивности пикселей. Применяя этот метод, мы можем эффективно регулировать уровни яркости по всему изображению. Вот пример кода, использующего библиотеку scikit-image в Python:

from skimage import exposure
import matplotlib.pyplot as plt
# Load image using scikit-image
image = skimage.io.imread('input_image.jpg', as_gray=True)
# Apply histogram equalization
equalized_image = exposure.equalize_hist(image)
# Display the results
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(8, 4))
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].axis('off')
axes[1].imshow(equalized_image, cmap='gray')
axes[1].set_title('Equalized Image')
axes[1].axis('off')
plt.show()

Метод 3: Гамма-коррекция
Гамма-коррекция — это нелинейный метод, используемый для регулировки яркости и контрастности изображений. Он включает в себя применение степенного преобразования к интенсивности пикселей. Вот пример фрагмента кода на Python с использованием OpenCV:

import cv2
import numpy as np
def adjust_brightness_gamma(image, gamma):
    # Normalize pixel intensities to the range of 0-1
    normalized_image = image / 255.0
    # Apply gamma correction
    adjusted_image = np.power(normalized_image, gamma)
    # Scale the pixel values back to the range of 0-255
    adjusted_image = adjusted_image * 255.0
    # Convert back to 8-bit unsigned integer representation
    adjusted_image = adjusted_image.astype(np.uint8)
    return adjusted_image
# Load image using OpenCV
image = cv2.imread('input_image.jpg')
# Apply gamma correction
brightened_image = adjust_brightness_gamma(image, 1.5)
# Display the results
cv2.imshow('Original Image', image)
cv2.imshow('Brightened Image', brightened_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

В этой статье мы рассмотрели три различных метода применения фильтров яркости к изображениям: линейную регулировку яркости, выравнивание гистограммы и гамма-коррекцию. Каждый метод предлагает уникальный подход к повышению яркости изображения и улучшению визуального качества. Применяя эти методы в своих проектах по обработке изображений, вы можете эффективно управлять уровнями яркости и достигать желаемых результатов. Поэкспериментируйте с этими методами, настройте их в соответствии со своими требованиями и откройте мир возможностей улучшения изображений.