上一篇做的是图片过曝区域检测通过统计接近纯白的高亮像素判断图片中有没有大面积亮部溢出。这一篇正好反过来看看一张图片里有没有太多接近纯黑的区域也就是Underexposure欠曝。平时拍照时如果暗部已经黑成一片原本应该存在的纹理和细节就可能看不清了。特别是在夜景、逆光或者光线不足的环境下这种情况比较常见。所以这次我继续用华为云码道辅助开发了一个简单的OpenCV Image Underexposure Detector上传一张图片后程序会自动统计接近纯黑的像素数量、计算暗部比例并用蓝色半透明遮罩把这些区域直接标出来。一、这个工具能做什么这次功能依然保持轻量主要包括上传 JPG / PNG 图片自动检测极暗像素统计 Underexposed Pixel Count计算 Underexposed Ratio判断 Normal / Slight Underexposure / Underexposed用蓝色半透明遮罩显示暗部位置显示 Original Image 和 Underexposure Result支持下载处理结果图整体流程非常直接上传图片↓OpenCV 转灰度图↓检测接近纯黑的像素↓计算数量和比例↓判断欠曝等级↓蓝色遮罩显示位置二、怎么判断一个像素“太暗”彩色图片首先转换成灰度图。OpenCV 中可以使用cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)灰度图中的像素范围是0255其中0 代表纯黑255 代表纯白上一篇检测过曝时我关注的是接近 255 的像素。这次正好反过来关注接近 0 的像素。当前设置的暗部阈值是20也就是说gray 20的像素都会被认为是极暗候选区域。三、为什么不是只检测等于 0 的像素如果只检测gray 0条件会太严格。真实照片里的暗部即使已经非常黑也不一定刚好是纯黑。例如5101518这些区域从视觉上看已经很暗细节也可能非常有限。所以这次把020作为极暗区域统计范围。这样可以把“接近黑掉”的像素一起纳入分析。四、Underexposed Ratio 怎么算只统计暗像素数量其实不够。因为图片大小不同同样 8000 个暗像素代表的意义完全不同。所以还要计算Underexposed Ratio也就是暗部像素数量 ÷ 图片总像素数量 × 100%这次测试图片尺寸是1650 × 953总像素数量大约为157 万最终检测到8,056 个极暗像素所以得到的暗部比例约为0.51%五、欠曝等级怎么判断为了让结果更直观这次设置了三个简单等级Underexposed Ratio 1%→Normal1% ≤ Ratio 5%→Slight UnderexposureRatio ≥ 5%→Underexposed这里的阈值依然属于启发式规则。它并不是摄影行业统一的曝光标准而是为了让工具能够快速区分少量极暗区域存在一定暗部堆积大面积接近纯黑六、真实测试结果这次继续使用之前的狗狗公园图片。程序最终得到Threshold20图片尺寸1650 × 953Underexposed Pixel Count8,056Underexposed Ratio0.51%Exposure LevelNormal因为0.51% 1%所以程序最终判断Normal也就是说这张图片虽然存在一些非常暗的区域但整体比例比较小还没有达到明显欠曝的程度。七、蓝色遮罩具体标出了什么右侧的 Underexposure Result 中程序会把灰度值 ≤ 20的区域用蓝色半透明遮罩标出来。从这次结果可以看到主要集中在狗狗鼻子眼睛附近嘴部阴影部分树叶阴影草地区域的深色位置这些地方本身就是整张图中比较暗的区域。但因为它们占整张图片的比例不大所以最终Underexposed Ratio 只有 0.51%。八、8056 个暗像素为什么还算 Normal单看8056感觉这个数字似乎不少。但不能忘了原图一共有大约157 万像素。所以真正应该关注的是比例。8056 个暗像素只占0.51%说明绝大多数像素仍然没有落入 020 这个极暗范围。这和上一篇过曝检测的逻辑也是一样的不能只看 Pixel Count更重要的是它占整张图片多少。九、欠曝和“图片整体偏暗”不是完全一回事这里还需要区分两个概念。前面做过 Brightness Analyzer计算的是Average Brightness它关注整张图平均有多亮。而这一篇关注的是有多少像素已经接近纯黑。例如一张夜景照片整体平均亮度可能很低但如果暗部仍然保留了很多细节不一定存在大量020的像素。反过来一张整体亮度正常的图片也可能在某些阴影区域出现局部“黑死”。所以Brightness更偏整体明暗Underexposure Detection更关注极端暗部区域。十、Normal 不代表完全没有暗部这次结果是Normal但并不意味着图片里一个暗像素都没有。实际上程序已经检测出了8056 个极暗像素。Normal 只是说明这些区域在整张图片中的占比较小。换句话说存在暗部但没有形成大面积暗部堆积。十一、这种方法有什么实际用途这种简单的欠曝分析可以用于很多基础场景。例如相机采集数据时可以快速筛选光线不足的图片整理计算机视觉数据集时可以发现暗部比例异常高的样本做图像增强前也可以先分析是否需要使用 Gamma Correction、Shadow Enhancement 等方法。如果用于视频也可以定时抽帧观察不同时间段的Underexposed Ratio是否突然升高从而发现环境光变化。十二、它也不能直接判断“照片拍坏了”这一点和过曝检测一样。极暗区域多并不一定说明图片有问题。例如夜景黑色背景舞台剪影暗色风格照片本来就可能包含大量暗像素。所以当前工具检测的是Near-black Pixel Ratio而不是直接判断“这张照片质量不好。”想更专业地判断曝光还需要结合场景内容局部纹理动态范围曝光参数等更多信息。十三、和上一篇正好形成一组上一篇过曝检测检测gray 245关注接近纯白的区域。这一次欠曝检测检测gray 20关注接近纯黑的区域。所以两篇放在一起就形成了一个很直观的对应关系过曝 → 高光有没有“白掉”欠曝 → 暗部有没有“黑掉”而这张狗狗图片的两次结果分别是过曝比例0.06%欠曝比例0.51%最终两边都被判断为Normal这说明按照当前规则这张测试图片既没有明显大面积高光溢出也没有明显大面积暗部压死。总结这次用华为云码道辅助开发了一个OpenCV 图片欠曝区域检测工具。核心流程上传图片↓转换灰度图↓检测 Gray ≤ 20↓统计 Underexposed Pixel Count↓计算 Underexposed Ratio↓判断 Exposure Level↓蓝色遮罩显示暗部区域真实测试结果Threshold20Underexposed Pixel Count8,056Underexposed Ratio0.51%Exposure LevelNormal从结果图中也可以看到极暗区域主要集中在狗狗鼻子、眼睛、嘴部以及部分阴影位置没有出现大面积黑色区域。上一篇回答的是图片有没有明显过曝这一篇则回答图片有没有明显欠曝下一篇可以继续换一个稍微不同的方向图片是不是有噪点用华为云码道开发 OpenCV 图像噪声分析工具可以通过局部高频变化估算 Noise Score再把图片简单分成 Low / Normal / High Noise。
上一篇做的是图片过曝区域检测通过统计接近纯白的高亮像素判断图片中有没有大面积亮部溢出。这一篇正好反过来看看一张图片里有没有太多接近纯黑的区域也就是Underexposure欠曝。平时拍照时如果暗部已经黑成一片原本应该存在的纹理和细节就可能看不清了。特别是在夜景、逆光或者光线不足的环境下这种情况比较常见。所以这次我继续用华为云码道辅助开发了一个简单的OpenCV Image Underexposure Detector上传一张图片后程序会自动统计接近纯黑的像素数量、计算暗部比例并用蓝色半透明遮罩把这些区域直接标出来。一、这个工具能做什么这次功能依然保持轻量主要包括上传 JPG / PNG 图片自动检测极暗像素统计 Underexposed Pixel Count计算 Underexposed Ratio判断 Normal / Slight Underexposure / Underexposed用蓝色半透明遮罩显示暗部位置显示 Original Image 和 Underexposure Result支持下载处理结果图整体流程非常直接上传图片↓OpenCV 转灰度图↓检测接近纯黑的像素↓计算数量和比例↓判断欠曝等级↓蓝色遮罩显示位置二、怎么判断一个像素“太暗”彩色图片首先转换成灰度图。OpenCV 中可以使用cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)灰度图中的像素范围是0255其中0 代表纯黑255 代表纯白上一篇检测过曝时我关注的是接近 255 的像素。这次正好反过来关注接近 0 的像素。当前设置的暗部阈值是20也就是说gray 20的像素都会被认为是极暗候选区域。三、为什么不是只检测等于 0 的像素如果只检测gray 0条件会太严格。真实照片里的暗部即使已经非常黑也不一定刚好是纯黑。例如5101518这些区域从视觉上看已经很暗细节也可能非常有限。所以这次把020作为极暗区域统计范围。这样可以把“接近黑掉”的像素一起纳入分析。四、Underexposed Ratio 怎么算只统计暗像素数量其实不够。因为图片大小不同同样 8000 个暗像素代表的意义完全不同。所以还要计算Underexposed Ratio也就是暗部像素数量 ÷ 图片总像素数量 × 100%这次测试图片尺寸是1650 × 953总像素数量大约为157 万最终检测到8,056 个极暗像素所以得到的暗部比例约为0.51%五、欠曝等级怎么判断为了让结果更直观这次设置了三个简单等级Underexposed Ratio 1%→Normal1% ≤ Ratio 5%→Slight UnderexposureRatio ≥ 5%→Underexposed这里的阈值依然属于启发式规则。它并不是摄影行业统一的曝光标准而是为了让工具能够快速区分少量极暗区域存在一定暗部堆积大面积接近纯黑六、真实测试结果这次继续使用之前的狗狗公园图片。程序最终得到Threshold20图片尺寸1650 × 953Underexposed Pixel Count8,056Underexposed Ratio0.51%Exposure LevelNormal因为0.51% 1%所以程序最终判断Normal也就是说这张图片虽然存在一些非常暗的区域但整体比例比较小还没有达到明显欠曝的程度。七、蓝色遮罩具体标出了什么右侧的 Underexposure Result 中程序会把灰度值 ≤ 20的区域用蓝色半透明遮罩标出来。从这次结果可以看到主要集中在狗狗鼻子眼睛附近嘴部阴影部分树叶阴影草地区域的深色位置这些地方本身就是整张图中比较暗的区域。但因为它们占整张图片的比例不大所以最终Underexposed Ratio 只有 0.51%。八、8056 个暗像素为什么还算 Normal单看8056感觉这个数字似乎不少。但不能忘了原图一共有大约157 万像素。所以真正应该关注的是比例。8056 个暗像素只占0.51%说明绝大多数像素仍然没有落入 020 这个极暗范围。这和上一篇过曝检测的逻辑也是一样的不能只看 Pixel Count更重要的是它占整张图片多少。九、欠曝和“图片整体偏暗”不是完全一回事这里还需要区分两个概念。前面做过 Brightness Analyzer计算的是Average Brightness它关注整张图平均有多亮。而这一篇关注的是有多少像素已经接近纯黑。例如一张夜景照片整体平均亮度可能很低但如果暗部仍然保留了很多细节不一定存在大量020的像素。反过来一张整体亮度正常的图片也可能在某些阴影区域出现局部“黑死”。所以Brightness更偏整体明暗Underexposure Detection更关注极端暗部区域。十、Normal 不代表完全没有暗部这次结果是Normal但并不意味着图片里一个暗像素都没有。实际上程序已经检测出了8056 个极暗像素。Normal 只是说明这些区域在整张图片中的占比较小。换句话说存在暗部但没有形成大面积暗部堆积。十一、这种方法有什么实际用途这种简单的欠曝分析可以用于很多基础场景。例如相机采集数据时可以快速筛选光线不足的图片整理计算机视觉数据集时可以发现暗部比例异常高的样本做图像增强前也可以先分析是否需要使用 Gamma Correction、Shadow Enhancement 等方法。如果用于视频也可以定时抽帧观察不同时间段的Underexposed Ratio是否突然升高从而发现环境光变化。十二、它也不能直接判断“照片拍坏了”这一点和过曝检测一样。极暗区域多并不一定说明图片有问题。例如夜景黑色背景舞台剪影暗色风格照片本来就可能包含大量暗像素。所以当前工具检测的是Near-black Pixel Ratio而不是直接判断“这张照片质量不好。”想更专业地判断曝光还需要结合场景内容局部纹理动态范围曝光参数等更多信息。十三、和上一篇正好形成一组上一篇过曝检测检测gray 245关注接近纯白的区域。这一次欠曝检测检测gray 20关注接近纯黑的区域。所以两篇放在一起就形成了一个很直观的对应关系过曝 → 高光有没有“白掉”欠曝 → 暗部有没有“黑掉”而这张狗狗图片的两次结果分别是过曝比例0.06%欠曝比例0.51%最终两边都被判断为Normal这说明按照当前规则这张测试图片既没有明显大面积高光溢出也没有明显大面积暗部压死。总结这次用华为云码道辅助开发了一个OpenCV 图片欠曝区域检测工具。核心流程上传图片↓转换灰度图↓检测 Gray ≤ 20↓统计 Underexposed Pixel Count↓计算 Underexposed Ratio↓判断 Exposure Level↓蓝色遮罩显示暗部区域真实测试结果Threshold20Underexposed Pixel Count8,056Underexposed Ratio0.51%Exposure LevelNormal从结果图中也可以看到极暗区域主要集中在狗狗鼻子、眼睛、嘴部以及部分阴影位置没有出现大面积黑色区域。上一篇回答的是图片有没有明显过曝这一篇则回答图片有没有明显欠曝下一篇可以继续换一个稍微不同的方向图片是不是有噪点用华为云码道开发 OpenCV 图像噪声分析工具可以通过局部高频变化估算 Noise Score再把图片简单分成 Low / Normal / High Noise。
