如何用Python（如OpenCV）实现消除亮度变化的图像归一化？

核心问题分析 #

你之前的实现无效，根源在于两个关键误解：

1. 模长计算维度错误：直接对HSV全数组的所有元素平方求和再开根号，得到的是全局超大模长，除以它会让像素值趋近于0，导致画面全黑。
2. 公式场景误解：课程中提到的“消除亮度变化”，对应的是每个像素的通道向量模长归一化，而非整个图像的全局模长归一化。

正确实现方式 #

方式1：单像素通道向量归一化（消除局部亮度） #

这是计算机视觉中消除局部亮度变化的常用方案，对每个像素的通道向量（RGB/HSV均可）计算模长，再将通道值除以该模长：

import cv2
import numpy as np

# 读取图像并转换为RGB格式（HSV同理）
img = cv2.imread('your_image_path.jpg')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 转为浮点型避免整数除法截断
img_float = img_rgb.astype(np.float32)

# 计算每个像素的通道向量模长：sqrt(R² + G² + B²)
pixel_mag = np.sqrt(np.sum(img_float ** 2, axis=2, keepdims=True))

# 处理纯黑像素（模长为0时避免除以0）
pixel_mag[pixel_mag == 0] = 1.0

# 执行归一化
normalized_img = img_float / pixel_mag

# 转换回0-255的uint8格式用于显示/保存
normalized_img = (normalized_img * 255).astype(np.uint8)

# 展示结果
cv2.imshow('Normalized Image', cv2.cvtColor(normalized_img, cv2.COLOR_RGB2BGR))
cv2.waitKey(0)
cv2.destroyAllWindows()

方式2：全局图像模长归一化（严格匹配公式字面） #

如果要严格实现I = I/||I||的全局模长定义（所有像素所有通道值的平方和开根号），代码如下：

import cv2
import numpy as np

img = cv2.imread('your_image_path.jpg')
img_float = img.astype(np.float32)

# 计算全局模长：sqrt(所有像素的R²+G²+B²之和)
global_mag = np.sqrt(np.sum(img_float ** 2))

# 执行归一化
normalized_img = img_float / global_mag

# 缩放回可视范围（否则像素值极小，画面全黑）
normalized_img = (normalized_img / np.max(normalized_img) * 255).astype(np.uint8)

cv2.imshow('Global Normalized Image', normalized_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意：这种方式对消除亮度变化几乎无效，仅适用于数学上的向量空间归一化场景。

OpenCV现成函数说明 #

OpenCV的cv2.normalize()函数主要用于将数值缩放到指定范围（如0-1或0-255），并非直接实现I/||I||的向量归一化。你可以基于上述numpy逻辑封装自定义函数，或者结合cv2.normalize()做后续调整，但没有直接对应的内置函数。

你的原方法失效原因 #

你计算的m=sqrt(sum(v*v))是对整个HSV数组的所有元素平方求和，得到的模长极大（比如1000x1000的图像，m约为44万），每个像素值除以m后会趋近于0，最终画面几乎全黑，这就是结果异常的原因。

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