使用Python Numpy实现霓虹发光效果的HSV参数调整问题

你的边缘检测和距离计算逻辑是正确的，问题出在饱和度（S）和明度（V）与距离的映射曲线不符合霓虹发光的需求。以下是针对性的调整方案：

核心需求对应映射逻辑 #

• 饱和度（S）：边缘处（距离=0）为0，随距离增加快速且显著提升至最大值255。采用指数增长曲线，避免线性增长的平缓感。
• 明度（V）：边缘处（距离=0）为255（对应HSV的V=1），随距离增加快速衰减，模拟霓虹的发光衰减效果。

修改后的代码 #

from PIL import Image
import cv2
import numpy as np
from scipy.ndimage import binary_erosion
from scipy.spatial import KDTree

def find_closest_distance(img):
    white_pixel_points = np.array(np.where(img))
    tree = KDTree(white_pixel_points.T)
    img_meshgrid = np.array(np.meshgrid(np.arange(img.shape[0]),
                                        np.arange(img.shape[1]))).T
    distances, _ = tree.query(img_meshgrid)
    return distances

def find_edges(img):
    img_np = np.array(img)
    kernel = np.ones((3,3))
    return img_np - binary_erosion(img_np, kernel)*255

img = Image.open('a.png').convert('L')
edge_image = find_edges(img)
distance_image = find_closest_distance(edge_image)
max_dist = np.max(distance_image)
distance_image = distance_image / max_dist  # 归一化到0-1范围

# 固定色相（保持原蓝色调）
hue = np.full(distance_image.shape, 0.44*180)

# 饱和度：指数增长，边缘处为0，随距离快速提升到255
# k值控制增长速度，建议范围3-8，越大增长越快
saturation = 255 * (1 - np.exp(-distance_image * 5))

# 明度：高斯衰减，边缘处最亮，随距离快速变暗
# m值控制衰减速度，建议范围2-6，越大衰减越快
value = 255 * np.exp(-(distance_image * 4)**2)

new_tups = np.dstack((hue, saturation, value)).astype('uint8')
new_tups = cv2.cvtColor(new_tups, cv2.COLOR_HSV2BGR)
new_img = Image.fromarray(new_tups, 'RGB').save('out.png')

参数调整说明 #

• 饱和度k值：若颜色不够鲜艳，增大k（如8）；若过渡太突兀，减小k（如3）。
• 明度m值：若发光范围太窄，减小m（如2）；若发光范围太宽，增大m（如6）。
• 色相可按需调整：0为红色，60为黄色，120为绿色，180为青色，240为蓝色，300为品红色。

效果优化逻辑 #

原代码采用线性增长的饱和度、幂次衰减的明度，无法实现“边缘无色彩、远处色彩饱和；边缘高亮、远处快速变暗”的霓虹感。修改后的指数增长+高斯衰减曲线，精准匹配需求的发光特性。

内容的提问来源于stack exchange，提问作者user18615293