link之家

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

使用Python分析图像亮度的方法有哪些？

36 人关注

我想请教一下用Python进行简单的图像分析的问题。我需要计算一个图像的 "亮度 "值。我知道 PIL 是做这样的事情的首选库。它有一个内置的直方图函数。

我需要的是一个 "perceived brightness" 价值，我可以决定是否有必要对图像作进一步调整。那么，在这种情况下，有哪些基本的技术可以发挥作用？我是否应该只使用RGB值，或者直方图会给我足够接近的东西？

一个可能的解决方案是将两者结合起来，用直方图生成平均的R、G和B值，然后应用 "感知亮度 "公式。

4 个评论

Eli Bendersky ：

是什么阻碍了你用PIL在Python中实现你所链接的算法？你是在问另一种算法，还是问如何使用PIL，还是问什么？

cmcginty ：

我只是想确定我没有错过一些明显的功能/模块，这些功能/模块已经在做这件事。看起来这种类型的东西应该已经存在了。

Nick T ：

计算出一个人的感知亮度。形象与找到一个简单的颜色有根本的不同。观看者可能更关心主体的亮度，但背景像素通常比主体像素多。

Nephanth ：

另一件事是，你可能想测量图像中的亮度范围。更鲜明的差异和更高的范围将导致更高的感知光线

python

image-processing

cmcginty

发布于 2010-08-16

6 个回答

cmcginty

发布于 2022-01-12

已采纳

0 人赞同

利用问题中提到的技术，我想出了几个不同的版本。

每个方法都返回一个接近的值，但与其他方法不完全相同。另外，所有方法的运行速度都差不多，除了最后一个方法，它的速度要慢得多，这取决于图像的大小。

将图像转换为灰度，返回平均像素亮度。

def brightness( im_file ):
   im = Image.open(im_file).convert('L')
   stat = ImageStat.Stat(im)
   return stat.mean[0]
将图像转换为灰度，返回像素亮度的有效值。
def brightness( im_file ):
   im = Image.open(im_file).convert('L')
   stat = ImageStat.Stat(im)
   return stat.rms[0]
平均像素，然后转换为 "感知亮度"。
def brightness( im_file ):
   im = Image.open(im_file)
   stat = ImageStat.Stat(im)
   r,g,b = stat.mean
   return math.sqrt(0.241*(r**2) + 0.691*(g**2) + 0.068*(b**2))
像素的有效值，然后转换为 "感知亮度"。
def brightness( im_file ):
   im = Image.open(im_file)
   stat = ImageStat.Stat(im)
   r,g,b = stat.rms
   return math.sqrt(0.241*(r**2) + 0.691*(g**2) + 0.068*(b**2))
计算像素的 "感知亮度"，然后返回平均值。
def brightness( im_file ):
   im = Image.open(im_file)
   stat = ImageStat.Stat(im)
   gs = (math.sqrt(0.241*(r**2) + 0.691*(g**2) + 0.068*(b**2)) 
         for r,g,b in im.getdata())
   return sum(gs)/stat.count[0]
更新测试结果
我对200张图片进行了模拟。我发现2号、4号方法的结果几乎相同。此外，方法#3、#5也几乎相同。方法#1紧跟#3、#5（有几个例外）。


           
            
             
              
               
                Herman Schaaf
               
               ：


           
            
             
              
               
                只想评论一下速度：在我的测试中，就拿它们来说，方法2号、3号和4号的速度基本持平（处理20张不同大小的图片需要~140ms），方法1号只是稍微慢一些（~180ms），而方法5号真的很慢（~3505ms）。这是意料之中的事，但如果你在1号、3号和5号之间选择，可能应该宁可坚持使用3号。


           
            
             
              
               
                For me method #3 worked super fast and accurate (didn't experiment with the others though). For return values > 120.0 I consider the image to be bright, otherwise - not. And ~ 200.0 would be super-bright, ~ 20.0 - super dark.


           
            
             
              
               
                我需要额外做的是分别获得图像的波段，因为有些.png图像有r,g,b通道，有些则有-r,g,b,a通道。
                
                 band = stat.mean
                
                、
                
                 r = band[0]
                
                、
                
                 g = band[1]
                
                、
                
                 b = band[2]
                
                。还有，不要忘记依赖性。
                
                 import math
                
                ,
                
                 from PIL import Image, ImageStat
                
                。


           
            
             
              
               
                提出这些神奇数字的作者实际上指出，应该使用
                
                 (0.299, 0.587, 0.114)
                
                而不是
                
                 (0.241, 0.691, 0.068)
                
                ，因为第一个数字更准确。请看这里的参考资料。
                
                 alienryderflex.com/hsp.html


           
            
             
              
               
                关于方法2，在计算RMS之前，将其转换为灰度作为一个归一化过程是否足够？wiki说 "假设输入图像的像素强度在[0, 1]范围内被标准化"。


          
           
            
             
              
               鉴于你只是在寻找整个图像的平均值，而不是每个像素的亮度值，对PIL的直方图进行平均，并将亮度函数应用于输出，似乎是该库的最佳方法。
              
              
               If using
               
                形象化的Magick
               
               (with the
               
                淘宝网
               
               bindings), I would suggest using the
               
                identify
               
               命令，并设置 "verbose "选项。这将为你提供每个通道的平均值，使你不必对直方图进行求和和平均--你可以直接将每个通道相乘。


           
            
             
              
               
                Daniel Kluev
               
               ：


           
            
             
              
               
                作为一个试图维护PythonMagick并提供0.9.1版本的人，我不建议在当前状态下使用它。最近ImageMagick的变化破坏了很多PythonMagick的代码。包的原作者想出了另一个ImageMagick的python绑定。
                
                 public.procoders.net/PythonMagickWand/docs/html/index.html
                
                意思是说，它比目前的PythonMagick要好。


          
           
            
             
              
               
               
                Mark Ransom
               
              
              
               发布于
               
               2022-01-12


          
           
            
             
              
               我想你最好的结果是用你最喜欢的公式将RGB转换为灰度，然后取该结果的直方图。我不确定直方图的平均值或中位数是否更合适，但在大多数图像上它们可能是相似的。
              
              
               我不确定如何在PIL中使用任意公式进行灰度转换，但我猜测这是可能的。


          
           
            
             
              
               
               
                Ankit Gupta
               
              
              
               发布于
               
               2022-01-12


          
           
            
             
              
               下面的代码将给你一个图像的亮度水平，从0-10。
              
              
               1- 使用opencv将图像转换为HSV格式后，计算图像的平均亮度。
              
              
               2- 找到这个值在亮度范围列表中的位置。
              
               import numpy as np
 import cv2
 import sys
 from collections import namedtuple
#brange brightness range
#bval brightness value
BLevel = namedtuple("BLevel", ['brange', 'bval'])
#all possible levels
_blevels = [
    BLevel(brange=range(0, 24), bval=0),
    BLevel(brange=range(23, 47), bval=1),
    BLevel(brange=range(46, 70), bval=2),
    BLevel(brange=range(69, 93), bval=3),
    BLevel(brange=range(92, 116), bval=4),
    BLevel(brange=range(115, 140), bval=5),
    BLevel(brange=range(139, 163), bval=6),
    BLevel(brange=range(162, 186), bval=7),
    BLevel(brange=range(185, 209), bval=8),
    BLevel(brange=range(208, 232), bval=9),
    BLevel(brange=range(231, 256), bval=10),
def detect_level(h_val):
     h_val = int(h_val)
     for blevel in _blevels:
        if h_val in blevel.brange:
            return blevel.bval
    raise ValueError("Brightness Level Out of Range")
 def get_img_avg_brightness():
     if len(sys.argv) < 2:
        print("USAGE: python3.7 brightness.py <image_path>")
        sys.exit(1)
     img = cv2.imread(sys.argv[1])
     hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
     _, _, v = cv2.split(hsv)
     return int(np.average(v.flatten()))
 if __name__ == '__main__':
     print("the image brightness level is: 
            {0}".format(detect_level(get_img_avg_brightness())))


          
           
            
             
              
               
                这可以通过将BGR图像从cv2转换为灰度来完成，然后找到强度 - x和y是像素坐标。这里已经很好地解释了这一点
                
                 https://docs.opencv.org/3.4/d5/d98/tutorial_mat_operations.html
                
                document.
               
               Scalar intensity = img.at<uchar>(y, x);


          
           
            
             
              
               
                
                 
                 
                  Ajay Beniwal
                 
                
                
                 发布于
                 
                 2022-01-12


          
           
            
             
              
               
                def calculate_brightness(image):
    greyscale_image = image.convert('L')
    histogram = greyscale_image.histogram()
    pixels = sum(histogram)
    brightness = scale = len(histogram)
    for index in range(0, scale):