如何用OpenCV实现类Adobe Lightroom的曝光调整？

我正在用Python和OpenCV开发类似Adobe Lightroom的图像编辑器，其中曝光调整功能在提升曝光后会出现黄/橙色偏色。已知这是RGB通道调整不均导致的，想明确具体原因和可行的解决方法。

已尝试的三种曝光调整方法 #

1. 伽马校正 #

参考RAW图像显示的伽马调整逻辑实现，代码如下：

def adjust_gamma_original(image, gamma=1.0):
    inv_gamma = 1.0 / gamma
    table = np.array([((i / 255.0) ** inv_gamma) * 255 for i in np.arange(0, 256)]).astype("uint8")
    adjusted_image = cv2.LUT(image, table)
    return adjusted_image

效果：调整后图像整体亮度变化，但与Lightroom的曝光效果仍有差距。

2. 像素乘2的幂次曝光因子 #

通过直接放大像素值提升亮度，但人脸出现明显黄/橙色偏色，不符合预期：

def apply_exposure_compensation(image, exposure_factor):
    """
    Apply exposure compensation to an image.
    
    :param image: Input image.
    :param exposure_factor: Factor to adjust exposure. Positive values increase exposure, negative values decrease exposure.
    :return: Image with adjusted exposure.
    """
    # Convert the image to float for precision
    image_float = img_as_float(image)
    
    # Adjust exposure by multiplying the image with the exposure factor
    adjusted_image = image_float * (2 ** exposure_factor)
    
    # Clip values to stay within valid range [0, 1] and convert back to uint8
    adjusted_image = np.clip(adjusted_image, 0, 1)
    adjusted_image = img_as_ubyte(adjusted_image)
    return adjusted_image

问题原因：RGB通道的响应曲线不同，直接线性放大像素值会让原本就更亮的通道（比如红色、绿色）被过度提升，导致色彩比例失衡，出现偏色。

3. HSV色彩空间调整V通道 #

仅调整亮度通道，但效果与Lightroom差距较大：

def apply_exposure_compensation_hsv(image, exposure_factor):
    """
    Apply exposure compensation to an image by adjusting the brightness in the HSV color space.
    
    :param image: Input image.
    :param exposure_factor: Factor to adjust exposure. Positive values increase exposure, negative values decrease exposure.
    :return: Image with adjusted exposure.
    """
    # Convert the image to HSV color space
    hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV).astype(np.float32)
    
    # Adjust the V (brightness) channel
    h, s, v = cv2.split(hsv)
    v = v * (2 ** exposure_factor)
    v = np.clip(v, 0, 255)
    
    # Merge the channels back
    hsv_adjusted = cv2.merge([h, s, v]).astype(np.uint8)
    
    # Convert back to BGR color space
    adjusted_image = cv2.cvtColor(hsv_adjusted, cv2.COLOR_HSV2BGR)
    return adjusted_image

问题原因：HSV的V通道是基于RGB的最大值计算的，单纯调整V通道无法模拟Lightroom基于RAW数据的曝光调整逻辑，而且会导致高光部分饱和度异常，色彩不够自然。

核心原因分析 #

偏色问题的本质是：

• 常规的RGB线性调整或单一通道调整，没有考虑人眼的色彩感知特性和相机RAW数据的色彩空间特性。Lightroom的曝光调整是基于RAW文件的线性光数据，结合了色彩管理和自适应的通道增益调整，而非直接对压缩后的RGB图像做简单运算。
• 直接放大RGB像素值时，不同通道的亮度提升比例相同，但人眼对红、绿、蓝的敏感度不同，且原始图像的RGB通道可能存在白平衡偏移，导致亮部色彩比例失衡，出现黄/橙偏色。

解决方法 #

1. 转换到线性光色彩空间调整 #

先将sRGB图像转换为线性光空间（因为sRGB是伽马压缩后的空间），调整曝光后再转换回sRGB：

import cv2
import numpy as np
from skimage import img_as_float, img_as_ubyte

def srgb_to_linear(image_float):
    # sRGB转线性光的转换公式
    mask = image_float <= 0.04045
    linear = np.where(mask, image_float / 12.92, ((image_float + 0.055) / 1.055) ** 2.4)
    return linear

def linear_to_srgb(linear_float):
    # 线性光转sRGB的转换公式
    mask = linear_float <= 0.0031308
    srgb = np.where(mask, linear_float * 12.92, 1.055 * (linear_float ** (1/2.4)) - 0.055)
    return srgb

def adjust_exposure_linear(image, exposure_factor):
    image_float = img_as_float(image)
    # 转线性光空间
    linear_image = srgb_to_linear(image_float)
    # 调整曝光（线性光下的曝光调整是线性乘法）
    linear_adjusted = linear_image * (2 ** exposure_factor)
    # 转回sRGB空间
    srgb_adjusted = linear_to_srgb(linear_adjusted)
    # 裁剪并转换为uint8
    srgb_adjusted = np.clip(srgb_adjusted, 0, 1)
    return img_as_ubyte(srgb_adjusted)

这种方法能更接近真实的曝光调整逻辑，减少偏色。

2. 使用LAB色彩空间调整L通道 #

LAB色彩空间的L通道代表明度，与色彩信息分离，调整L通道后再转换回RGB，能避免色彩比例失衡：

def adjust_exposure_lab(image, exposure_factor):
    # 转换为LAB色彩空间
    lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB).astype(np.float32)
    l, a, b = cv2.split(lab)
    # 调整L通道（基于线性曝光因子）
    l = l * (2 ** exposure_factor)
    # 限制L通道范围（LAB的L通道范围是0-255）
    l = np.clip(l, 0, 255)
    # 合并通道并转回BGR
    lab_adjusted = cv2.merge([l, a, b]).astype(np.uint8)
    return cv2.cvtColor(lab_adjusted, cv2.COLOR_LAB2BGR)

LAB空间的调整能更好地保持色彩一致性，比HSV的效果更接近专业工具。

3. 结合白平衡校准 #

如果原始图像存在轻微白平衡偏移，调整曝光前可以先做白平衡校准，或者在调整后微调色彩平衡：

def white_balance(image):
    # 简单的灰度世界法白平衡
    result = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
    avg_a = np.average(result[:, :, 1])
    avg_b = np.average(result[:, :, 2])
    result[:, :, 1] = result[:, :, 1] - ((avg_a - 128) * (result[:, :, 0] / 255.0) * 1.1)
    result[:, :, 2] = result[:, :, 2] - ((avg_b - 128) * (result[:, :, 0] / 255.0) * 1.1)
    return cv2.cvtColor(result, cv2.COLOR_LAB2BGR)

# 使用时先做白平衡，再调整曝光
balanced_image = white_balance(input_image)
exposed_image = adjust_exposure_linear(balanced_image, 3.67)

预期效果参考 #

输入图像是一张低光环境下的人像，Lightroom曝光值3.67的调整结果是：整体亮度均匀提升，人脸肤色自然无偏色，高光细节保留，暗部噪点控制合理。

内容的提问来源于stack exchange，提问作者Kevin Liem