在计算机视觉任务中，强光反射（如反光、过曝区域）可能会严重影响图像质量，进而影响后续的图像处理或识别。OpenCV 提供了多种图像增强和光照校正的方法来抑制强光反射。以下是一些常用的技术和对应的 Python 实现： --- ### 方法一：使用**CLAHE（对比度受限自适应直方图均衡化）** CLAHE 可以有效增强图像的局部对比度，同时抑制过曝区域。 ```python import cv2 import numpy as np # 读取图像为灰度图 image = cv2.imread('glare_image.jpg', 0) # 创建CLAHE对象 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) # 应用CLAHE cl1 = clahe.apply(image) # 显示结果 cv2.imshow('Original', image) cv2.imshow('CLAHE Result', cl1) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 解释： - `clipLimit` 控制对比度增强的上限，值越大增强越强，但可能引入噪声。 - `tileGridSize` 是局部区域的大小，太小会导致细节增强过多，太大会导致处理接近全局直方图均衡。 --- ### 方法二：使用**Retinex增强算法** Retinex 算法模拟人眼感知光照和颜色的方式，可以有效去除光照不均和强光反射。 ```python def single_scale_retinex(img, sigma): temp = cv2.GaussianBlur(img, (0, 0), sigma) retinex = np.log10(img + 0.01) - np.log10(temp + 0.01) return retinex def multi_scale_retinex(img, sigmas): retinex = np.sum([single_scale_retinex(img, sigma) for sigma in sigmas], axis=0) return retinex image = cv2.imread('glare_image.jpg', 0).astype(np.float64) + 1.0 img_retinex = multi_scale_retinex(image, sigmas=[15, 80, 150]) # 归一化处理 img_retinex = (img_retinex - np.min(img_retinex)) / (np.max(img_retinex) - np.min(img_retinex)) * 255 img_retinex = np.uint8(img_retinex) cv2.imshow('Original', np.uint8(image - 1.0)) cv2.imshow('Retinex Result', img_retinex) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 解释： - Retinex 假设图像 = 反射率 × 照明率。 - 通过对数变换将两者分离。 - 多尺度 Retinex（MSR）结合多个高斯核以适应不同光照条件。 --- ### 方法三：使用**颜色空间转换 + 通道分离** 对于彩色图像，可以将图像转换到 HSV 或 LAB 空间，对亮度通道进行处理。 ```python image = cv2.imread('glare_image.jpg') hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV).astype("float32") # 对 V 通道（亮度）进行归一化处理 hsv[..., 2] = cv2.normalize(hsv[..., 2], None, 0, 255, cv2.NORM_MINMAX) # 转换回 BGR result = cv2.cvtColor(hsv.astype("uint8"), cv2.COLOR_HSV2BGR) cv2.imshow('Original', image) cv2.imshow('HSV Brightness Adjusted', result) cv2.waitKey(0) cv2.destroyAllWindows() ``` --- ### 方法四：使用**高斯滤波 + 亮度抑制** 通过高斯滤波提取光照分量，然后从原图中减去。 ```python image = cv2.imread('glare_image.jpg', 0).astype(np.float32) blurred = cv2.GaussianBlur(image, (15, 15), 0) # 抑制强光：原图 - 光照模型 suppress = image - blurred suppress = cv2.normalize(suppress, None, 0, 255, cv2.NORM_MINMAX) suppress = np.uint8(suppress) cv2.imshow('Suppressed Image', suppress) cv2.waitKey(0) cv2.destroyAllWindows() ``` --- ##