PS 色阶调整之算法公式原理详解及 Python 实现（色阶原理）

本文介绍了 PS 中色阶的实现原理及公式，并用 Python 实现，自测与 PS 的色阶调整效果基本完全一样（使用和 PS 中色阶相同的参数对比效果，包括各极限值，本文只实现了 RGB 整体色阶的处理，对各个通道的处理逻辑公式是一样的，实际使用会用 OpenGL 实现）

如下图是 PS 中色阶调整的操作面板，可以对 R、G、B 单独的通道或 RGB 整体通道做色阶调整。每个通道或整体有五个参数（红色箭头所指的五个滑块，调整时也可以直接输入值）：
inputShadows: 输入图像的黑场阈值，作用是将输入图像中低于该阈值的全变成 0
inputHighlit: 输入图像的白场阈值，作用是将输入图像中高于该阈值的全变成 255
midtone: 中间调，范围是 [0.01, 9.99]，默认值是 1.0 在中间，[9.99 – 1.0 – 0.01]，从中间往左调，即[1.0, 9.99] 加灰降对比度，往右调减灰加对比度（RGB通道）
outputShadows: 输出图像的黑场阈值，输出图像的最低值为该阈值
outputHighlight: 输出图像的白场阈值，输出图像的最高值为该阈值

色阶调整的处理转换公式如下：
分输入色阶映射、中间调调整、输出色阶映射共三步处理，上一步处理的输出做为下一步的输入（以下公式用 MarkDown Latex 语法编辑）。

输入色阶映射公式：
Vout=255∗Vin−inShadowsinHighlights−inShadowsVout = 255 * \frac{Vin - inShadows}{inHighlights - inShadows} Vout=255∗inHighlights−inShadowsVin−inShadows
Vout={0if Vout<0255if Vout>255Vout = \left\{ \begin{array}{ll} 0 & \textrm{if $Vout<0$}\\ 255 & \textrm{if $Vout>255$}\\ \end{array} \right. Vout={0255if Vout<0if Vout>255

中间调调整：
Vout=255∗(Vin255.0)1midtonesVout = 255 * (\frac{Vin}{255.0})^\frac{1}{midtones} Vout=255∗(255.0Vin)midtones1

输出色阶映射：
Vout=Vin255.0∗(outLighhights−outShadows)+outShadowsVout = \frac{Vin}{255.0} * (outLighhights - outShadows) + outShadows Vout=255.0Vin∗(outLighhights−outShadows)+outShadows

Vout={0if Vout<0255if Vout>255Vout = \left\{ \begin{array}{ll} 0 & \textrm{if $Vout<0$}\\ 255 & \textrm{if $Vout>255$}\\ \end{array} \right. Vout={0255if Vout<0if Vout>255

完整 python 代码如下：

# -*- coding: utf-8 -*-
# @Time    : 2021-02-24 16:45
# @Author  : AlanWang4523
# @FileName: ps_levels.pyimport os
import sys
import cv2
import numpy as npclass Levels:"""@Author  : AlanWang4523色阶调整类，根据输入参数调整图片色阶，并输出处理后的图片"""def __init__(self):self.channel = 0self.input_shadows = 0self.input_highlights = 255self.midtones = 1.0self.output_shadows = 0self.output_highlights = 255def adjust_image(self, img):print("Levels Params:")print("          channel:", self.channel)print("    input_shadows:", self.input_shadows)print(" input_highlights:", self.input_highlights)print("         midtones:", self.midtones)print("   output_shadows:", self.output_shadows)print("output_highlights:", self.output_highlights)print("")img = img.astype(np.float)# 输入色阶映射img = 255 * ((img - self.input_shadows) / (self.input_highlights - self.input_shadows))img[img < 0] = 0img[img > 255] = 255# 中间调处理img = 255 * np.power(img / 255.0, 1.0 / self.midtones)# 输出色阶映射img = (img / 255) * (self.output_highlights - self.output_shadows) + self.output_shadowsimg[img < 0] = 0img[img > 255] = 255img = img.astype(np.uint8)return imgdef level_adjust_and_save_img(origin_image):levels.input_shadows = 40levels.input_highlights = 240levels.midtones = 0.60levels.output_shadows = 30levels.output_highlights = 220image = levels.adjust_image(origin_image)cv2.imwrite('py_test_out.png', image)def level_adjust(path):"""色阶调整"""origin_image = cv2.imread(path)levels = Levels()def update_input_shadows(x):if (x < levels.input_highlights):levels.input_shadows = xdef update_input_highlights(x):if (x > levels.input_shadows):levels.input_highlights = xdef update_midtones(x):# 由于 midtones 的调整范围是 [9.99, 0.01]，Python 滑杆无法自定义显示小数，因此将滑杆的 [0, 100] 映射到 [9.99, 0.01]midtones = 1.0if (x < 50):midtones = 1 + 9 * ((50.0 - x) / 50.0)elif (x > 50):midtones = 1 - (x - 50) / 50.0levels.midtones = np.clip(midtones, 0.01, 9.99)# levels.midtones = 0.6 # 直接测试某个参数值def update_output_shadows(x):if (x < levels.output_highlights):levels.output_shadows = xdef update_output_highlights(x):if (x > levels.output_shadows):levels.output_highlights = x# 创建图片显示窗口title = "Levels"cv2.namedWindow(title, cv2.WINDOW_NORMAL)   cv2.resizeWindow(title, 800, 600)cv2.moveWindow(title, 0, 0)# 创建色阶操作窗口option_title = "Option"cv2.namedWindow(option_title, cv2.WINDOW_NORMAL)   cv2.resizeWindow(option_title, 400, 200)cv2.moveWindow(option_title, 800, 0)cv2.createTrackbar('    input_shadows', option_title, levels.input_shadows, 255, update_input_shadows)cv2.createTrackbar(' input_highlights', option_title, levels.input_highlights, 255, update_input_highlights)cv2.createTrackbar('         midtones', option_title, 50, 100, update_midtones)cv2.createTrackbar('   output_shadows', option_title, levels.output_shadows, 255, update_output_shadows)cv2.createTrackbar('output_highlights', option_title, levels.output_highlights, 255, update_output_highlights)while True:image = levels.adjust_image(origin_image)cv2.imshow(title, image)if cv2.waitKey(1) == ord('q'):breakcv2.destroyAllWindows()        if __name__ == '__main__':'''Author: AlanWang4523运行环境：Python 3执行：python3 ps_levels.py <图片路径>如：python3 ps_levels.py test.jpg'''if len(sys.argv) == 1:print("参数错误：未传入图片路径！")sys.exit(-1)img_path = sys.argv[1]print("img_path Params:", img_path)level_adjust(img_path)

    def update_midtones(x):# 由于 midtones 的调整范围是 [9.99, 0.01]，Python 滑杆无法自定义显示小数，因此将滑杆的 [0, 100] 映射到 [9.99, 0.01]midtones = 1.0if (x < 50):midtones = 1 + 9 * ((50.0 - x) / 50.0)elif (x > 50):midtones = 1 - (x - 50) / 50.0levels.midtones = np.clip(midtones, 0.01, 9.99)# levels.midtones = 0.6 # 直接测试某个参数值

使用和 PS 相同的参数，效果和 PS 上的完全一致，各参数下和 PS 对比效果如下：
（截图上半部部分为用 Python 使用与 PS 相同参数的效果，下半部分为 PS 的效果）
① Python 和 PS 都使用如下参数：
inputShadows: 50
inputHighlit: 52
midtone: 0.50 (根据上面的映射公式，python 实现的 midtones 的滑块在 75 的位置)
outputShadows: 50
outputHighlight: 200
效果如下：

② Python 和 PS 都使用如下参数：
inputShadows: 0
inputHighlit: 255
midtone: 0.10
outputShadows: 0
outputHighlight: 255
效果如下：

参考文档：
Adobe 官网的 Levels Adjustment
Algorithm for adjustment of image levels

PS 色阶调整之算法公式原理详解及 Python 实现（色阶原理）相关推荐

视频教程-深度学习原理详解及Python代码实现-深度学习
深度学习原理详解及Python代码实现大学教授,美国归国博士.博士生导师:人工智能公司专家顾问:长期从事人工智能.物联网.大数据研究:已发表学术论文100多篇,授权发明专利10多项白勇 ¥88.0 ...
java源码系列：HashMap底层存储原理详解——4、技术本质-原理过程-算法-取模具体解决什么问题
目录简介取模具体解决什么问题? 通过数组特性,推导ascii码计算出来的下标值,创建数组非常占用空间取模,可保证下标,在HashMap默认创建下标之内简介上一篇文章,我们讲到哈希算法.哈希 ...
google authenticator python_Google Authenticator TOTP原理详解(以Python为例)
http://xsboke.blog.51cto.com 如果有疑问,请点击此处,然后发表评论交流,作者会及时回复(也可以直接在当前文章评论). -------谢谢您的参考,如有疑问,欢迎交流一. ...
字典树原理详解及其Python实现
一.原理详解 1.初步介绍: 字典树又名前缀树,Trie树,是一种存储大量字符串的树形数据结构,经常被搜索引擎系统用于文本词频统计. 除此之外也常用于计算左右信息熵.计算点互信息. 下图演示了一个保存 ...
python google auth totp_Google Authenticator TOTP原理详解(以Python为例)
如果有疑问,请点击此处,然后发表评论交流,作者会及时回复(也可以直接在当前文章评论). -------谢谢您的参考,如有疑问,欢迎交流一. 原理详解(图片可以点击然后放大查看) 二. 验证 1.下载 ...
Xgboost算法原理详解及python实现
Xgboost算法(回归树) 1.算法原理 2.对数据的要求(无需规范化) 3.算法的优缺点 4.XGB.GBDT.LR与RF 5.python代码实现导入相关包读取数据并预处理训练贝叶斯初步 ...
随机森林原理详解及python代码实现
随机森林(RF)算法 1.算法原理 2.对数据的要求(无需规范化) 3.算法的优缺点 4.算法需要注意的点 5.python代码实现(待更......) 导入相关包读取数据并预处理(必须处理缺失值) ...
决策树原理详解及python代码实现
决策树算法(信贷中常用来寻找规则) 1.算法原理 1.1 ID3(多叉树分类) 1.2 C4.5(多叉树分类) 1.3 Cart(二叉树分类+回归) 2.ID3.C4.5与Cart比较 3.算法优缺点 ...
集成经验模态(EEMD)原理详解与python实现
文章目录 1 经验模态分解(EMD) 1.1 本征模态函数(IMF) 1.2 sifting算法 1.3 原始序列重构 2 集成经验模态分解(EEMD) 2.1 EEMD算法步骤集成经验模态分解的关 ...

PS 色阶调整之算法公式原理详解及 Python 实现（色阶原理）

PS 色阶调整之算法公式原理详解及 Python 实现（色阶原理）相关推荐

最新文章

热门文章