Prospective Correction亮度校正代码报错修复及方案咨询

一、代码形状不匹配问题修复 #

形状不匹配的核心原因是原图、亮背景图、暗背景图的尺寸或通道数不一致——OpenCV读取的图像默认是(高度, 宽度, 通道数)的三维数组，只要三者任一维度不对应，就会触发运算报错。

具体修复步骤： #

1. 统一所有图像的尺寸与通道数

import cv2
import numpy as np

# 读取图像并转为浮点型（避免整数运算溢出）
img = cv2.imread("original.jpg").astype(np.float32)
bright_bg = cv2.imread("bright_bg.jpg").astype(np.float32)
dark_bg = cv2.imread("dark_bg.jpg").astype(np.float32)

# 以原图尺寸为基准，统一亮/暗背景图尺寸
bright_bg = cv2.resize(bright_bg, (img.shape[1], img.shape[0]))
dark_bg = cv2.resize(dark_bg, (img.shape[1], img.shape[0]))

# 统一通道数（处理单通道灰度图与三通道彩图不匹配的情况）
if len(img.shape) == 2:
    img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
    bright_bg = cv2.cvtColor(bright_bg, cv2.COLOR_GRAY2BGR)
    dark_bg = cv2.cvtColor(dark_bg, cv2.COLOR_GRAY2BGR)

2. 安全实现预校正公式（避免除以零）
   标准预校正公式为 corrected = (原图 - 暗背景) / (亮背景 - 暗背景) * 255，需添加极小值规避分母为0的情况：

# 计算背景差值，替换0值为极小量
bg_diff = bright_bg - dark_bg
bg_diff[bg_diff == 0] = 1e-6

# 执行校正并截断超出0-255范围的值
corrected = ((img - dark_bg) / bg_diff) * 255
corrected = np.clip(corrected, 0, 255).astype(np.uint8)

二、亮度校正更佳方案 #

• 预校正增强变种
  若场景存在局部光照不均，可将预校正与局部直方图均衡化结合：先通过预校正消除固定背景明暗偏移，再用cv2.createCLAHE()增强局部细节，适合高精度视觉检测场景。

• 单图回溯校正替代方案
  若无法拍摄多幅背景图，可采用多尺度Retinex算法——无需额外拍摄，直接从单图分离光照与反射分量，实现自适应亮度校正：

def multi_scale_retinex(img, sigma_list=[15, 80, 250]):
    img = img.astype(np.float32) + 1e-6  # 避免log(0)报错
    retinex = np.zeros_like(img)
    for sigma in sigma_list:
        blur = cv2.GaussianBlur(img, (0, 0), sigma)
        retinex += np.log(img) - np.log(blur)
    retinex = retinex / len(sigma_list)
    # 归一化到0-255范围
    retinex = (retinex - np.min(retinex)) / (np.max(retinex) - np.min(retinex)) * 255
    return retinex.astype(np.uint8)

• 工业场景简化方案
  若光照环境稳定，仅需消除固定亮度偏移，可直接计算暗背景图的像素均值，用原图减去该均值后做归一化，大幅降低计算成本。

内容的提问来源于stack exchange，提问作者efesefe