Python实现图像曝光归一化的技术方案咨询（图像相似度项目）

针对你提到的书籍拍摄图像曝光不均（过曝/欠曝）的问题，我整理了几种在Python中实现曝光归一化的实用方法，包括你初始设想的朴素像素处理，以及更专业的直方图均衡、伽马校正等方案，供你参考：

一、朴素像素值缩放法（对应你的初始思路） #

这种方法核心是把图像的像素值线性拉伸到[0, 255]的标准范围，适合整体曝光偏暗或偏亮的图像，实现起来非常直观：

import cv2
import numpy as np

def naive_exposure_normalization(img):
    # 转换为浮点型避免计算溢出
    img_float = img.astype(np.float32)
    # 获取当前像素的最小和最大值
    min_pixel = np.min(img_float)
    max_pixel = np.max(img_float)
    # 线性缩放至0-255区间
    normalized_img = ((img_float - min_pixel) / (max_pixel - min_pixel)) * 255
    # 转回8位无符号整数格式
    return normalized_img.astype(np.uint8)

# 示例用法
over_exposed_img = cv2.imread("over_exposed_book_photo.jpg")
normalized_over = naive_exposure_normalization(over_exposed_img)

二、全局直方图均衡化 #

如果你的图像不仅曝光有问题，对比度也偏低，全局直方图均衡化会重新分配像素的亮度值，让图像的亮度分布更均匀，提升整体视觉效果：

def global_hist_eq(img):
    # 彩色图像需先转灰度处理，再转回彩色
    if len(img.shape) == 3:
        gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        eq_gray = cv2.equalizeHist(gray_img)
        return cv2.cvtColor(eq_gray, cv2.COLOR_GRAY2BGR)
    # 灰度图像直接处理
    else:
        return cv2.equalizeHist(img)

# 处理过曝图像
eq_over_exposed = global_hist_eq(over_exposed_img)

三、自适应直方图均衡化（CLAHE） #

如果书籍图像存在局部曝光差异（比如边缘阴影、中心过亮），全局均衡化可能会丢失细节，这时CLAHE（限制对比度自适应直方图均衡化）会把图像分成多个小块分别处理，避免过度增强噪声：

def clahe_normalization(img, clip_limit=2.0, grid_size=(8,8)):
    # 创建CLAHE对象，clip_limit限制对比度增强幅度
    clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=grid_size)
    if len(img.shape) == 3:
        gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        eq_gray = clahe.apply(gray_img)
        return cv2.cvtColor(eq_gray, cv2.COLOR_GRAY2BGR)
    else:
        return clahe.apply(img)

# 处理过曝图像
clahe_over_exposed = clahe_normalization(over_exposed_img)

四、伽马校正 #

伽马校正通过调整图像的伽马值来精准控制亮度，适合针对性地提亮欠曝图像或压暗过曝图像，效果非常可控：

def gamma_correct(img, gamma=1.0):
    # 构建伽马映射表
    inv_gamma = 1.0 / gamma
    gamma_table = np.array([((i / 255.0) ** inv_gamma) * 255
                            for i in np.arange(0, 256)]).astype("uint8")
    # 应用映射表到图像
    return cv2.LUT(img, gamma_table)

# 压暗过曝图像（伽马值<1）
darkened_over = gamma_correct(over_exposed_img, gamma=0.5)
# 提亮欠曝图像（伽马值>1）
brightened_under = gamma_correct(under_exposed_img, gamma=2.0)

方法选择建议 #

• 若图像只是整体曝光偏差，朴素缩放或伽马校正足够简单高效；
• 若需要同时提升对比度，全局直方图均衡化适合光照均匀的图像；
• 若图像局部亮度差异明显，CLAHE能更好地保留细节，避免过度增强。

内容的提问来源于stack exchange，提问作者duhaime