img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
img = img.astype(np.float)
#获取v通道（颜色亮度通道），并做渐变性的增强
img[:, :, 2] = np.where(img[:, :, 2] > 100, img[:, :, 2] + 20.0, img[:, :, 2])
img[:, :, 2] = np.where(img[:, :, 2] > 150, img[:, :, 2] + 30.0, img[:, :, 2])
img[:, :, 2] = np.where(img[:, :, 2] > 180, img[:, :, 2] + 40.0, img[:, :, 2])
#令大于255的像素值等于255（防止溢出）
img = np.where(img>255, 255, img)
img = img.astype(np.uint8)
res = cv2.cvtColor(img, cv2.COLOR_HSV2BGR)
cv2.imshow('res',res)
cv2.waitKey()
有问题评论问博主
import cv2import numpy as np#读取图片img = cv2.imread(img_path)#将bgr转化为hsvimg = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)img = img.astype(np.float)#获取v通道（颜色亮度通道），并做渐变性的增强img[:, :, 2] = np.where(img[:, :, 2] > 100, img[:, :, 2] + 20.0, img[:, :, 2])img.
1. 背景
在CV领域，算法工(tiao)程(can)师(xia)经常会遇到训练数据不足或训练数据多样性太少的问题。此时，我们需要通过算法来进行数据扩充或数据增强。数据增强的方法有很多（如翻转、镜像、旋转、亮度增强等），本篇我们来讲一个最常用的数据增强策略：亮度增强。
2.亮度增强
本篇基于
opencv
对图片进行亮度增强，闲话少说，直接上代码：
import cv2
import random
import numpy as np
def data_augment(image, brightness):
一 原理及函数说明
简而言之：矩阵表达式为 dst = src1 * alpha + src2 * beta + gamma
"""
cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) → dst
src1 – 输入图片1.
alpha – 图片1的权重
利用
opencv
对图像进行长
曝光
本文首发于公众号【
Opencv
视觉实践】，翻译自光头哥哥的博客：
【Long exposure with
OpenCV
and
Python
】，仅做学习分享。
原文链接：
https://www.pyimagesearch.com/2017/08/14/long-exposure-with-
opencv
-and-
python
/
我最喜欢的摄影技术之一是长
曝光
，这是一个创造图片的过程，可以展示时间流逝的影响，这是传统摄影无法捕捉到的。
当应用这一技术时，水变得如丝般光滑，
如果用一句话来表示的话，那就统计每个像素点数值出现的次数，如下图：
这里是一张图片，里面表示的是灰度数值，灰度值为1的有4个点，灰度值为2的有7个数值，灰度值为3的有5个。如果表示为直方图的形式就是下面的状态了。
这里用直方图的形式对...
def gamma_trans(img,gamma):#gamma函数处理
gamma_table=[np.power(x/255.0,gamma)*255.0 for x in range(256)]#建立映射表
gamma_table=np.round(np.a
def imgBrightness(img1, c, b):
rows, cols, channels = img1.shape
blank = np.zeros([rows, cols, channels], img1.dtype)
rst = cv2.addWeighted(img1, c, blank, 1-c, b)
return rst
img = cv2.imre
print('宽:', Video.get(cv2.CAP_PROP_FRAME_WIDTH) )
print('高:', Video.get(cv2.CAP_PROP_FRAME_HEIGHT) )
print('帧率:', Video.get(cv2.CAP_PROP_FPS) )
master cat:
目标检测——口罩识别数据集
brav0:
