对比度

在工作中遇到用stm8驱动LCD段码屏，发现很有意思，特在此记录下来。整个说明过程由液晶屏显示原理，驱动断码LCD液晶屏的方式，stm8驱动断码屏三块进行说明。 一、液晶屏显示原理 液晶是一种介于固态和液态中间的物质。通电时，液晶分子的排列变得有序，使光线容易通过；不通电时排列混乱，阻止光线通过。通过此原理制作成液晶显示器。 液晶显示器(LCD/Liquid Crystal Display)的显像原理，是将液晶置于两片导电玻璃之间，靠两个电极间电场的驱动，引起液晶分子扭曲向列的电场效应，以控制光源透射或遮蔽功能，在电源关开之间产生明暗变化，从而将影像显示出来。若加上彩色滤光片，则可显示彩色影像。在两片玻璃基板上装有配向膜，所以液晶会沿着沟槽配向，由于玻璃基板配向膜沟槽偏离90度，所以液晶分子成为扭转型，当玻璃基板没有加入电场时，光线透过偏光板跟着液晶做90度扭转，通过下方偏光板，液晶面板显示白色（如图1左）；当玻璃基板加入电场时，液晶分子产生配列变化，光线通过液晶分子空隙维持原方向，被下方偏光板遮蔽，光线被吸收无法透出，液晶面板显示黑色（如图1右））。液晶显示器便是根据此电压有无，使面板达到显示效果。（网上盗用，感谢，原文地址 http://www.520101.com/html/base/1202066690.html ） 图1 液晶屏一般有这几个参数：可视角度、亮度和对比度

1.直方图处理概念 灰度级范围为[0,L-1]的数字图像的直方图是离散函数h（rk）=nk，其中rk是第k级灰度值，nk是图像中灰度为rk的像素个数。在实践中，经常用乘积MN表示的图像像素的总数除它的每个分量来归一化直方图，通常M和N是图像的行和列的维数。因此，归一化后的直方图由p（rk）=nk/MN给出，其中k=0,1,…,L-1。简单来说，p（rk）是灰度级rk在图像中出现的概率的一个估计。归一化直方图的所有分量之和应等于1。 在直方图中，暗图像集中分布在灰度级的低端；亮图像集中分布在灰度级的高端。低对比度图像具有较窄的直方图，且集中于灰度级的中部；高对比度图像的直方图分量则覆盖了很宽的灰度级范围。 2.直方图性质 (1)直方图反映了图像中的灰度分布规律。它描述每个灰度级具有的像元个数，但不包含这些像元在图像中的位置信息。 (2)任何一幅特定的图像都有唯一的直方图与之对应，但不同的图像可以有相同的直方图。 (3)如果一幅图像有两个不相连的区域组成，并且每个区域的直方图已知，则整幅图像的直方图是该两个区域的直方图之和。 3.直方图的应用 (1)对于每幅图像都可做出其灰度直方图。 (2)根据直方图的形态可以大致推断图像质量的好坏。由于图像包含有大量的像元，其像元灰度值的分布应符合概率统计分布规律。假定像元的灰度值是随机分布的，那么其直方图应该是正态分布。 (3

<< photoshop>>学习笔记 第一章 PS设计基础 1.1工作区和工作流程 ①人像图片亮度的调节 方法一：使用亮度/对比度进行调节 点击菜单中的“图像”，展开后有“调整”这一项，之后在“调整”中会有“亮度/对比度”这一项，之后点击它，会弹出一个窗口，其中就有亮度和对比度的调节。 方法二：使用色阶进行调节 点击菜单中的“图像”，展开后有“调整”这一项，之后在“调整”中会有“色阶”这一项，之后点击它会弹出窗口随便拉动输入色阶的三个滑杆可调节亮度 （两者方法的区别：方法一调整是比较粗略的，而且调整是有极限的，并且亮度调节的数字没有具体意义。而相对于方法二来说，具体的数字是有充分的意义的。 方法三：获得图像亮度选区+混合模式 点击“通道”面板会出现窗口 按住ctrl键，点击RGB通道缩略图，获得这张图的亮度选区， 回到图层面板，按下ctrl+j键新建一个图层，之后选择混合模式中的“滤色”， 这样就可以增强亮度了。如果亮度增加不足，可多复 制新建图层，达到增加亮度的效果啦 （这种方法较前 两种方法来说更为精确，因为它采用了混合模式，而 且这种方式改的图片不会出现白色只要图中没有白色 或曝光） 1.2色彩基础与吸管工作组 ①数字设计的色彩基础知识 1、色轮 第一种色轮的主色是红、绿、蓝，对应的是光。 第二种色轮的主色是红、蓝、黄，对应的是染料。 主要使用第二种色轮 2

图像增强 图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。例如，我们可以对图像进行不同方式的裁剪，使感兴趣的物体出现在不同位置，从而减轻模型对物体出现位置的依赖性。我们也可以调整亮度、色彩等因素来降低模型对色彩的敏感度。可以说，在当年AlexNet的成功中，图像增广技术功不可没。本节我们将讨论这个在计算机视觉里被广泛使用的技术。 常用的图像增广方法 翻转和裁剪 左右翻转图像通常不改变物体的类别。它是最早也是最广泛使用的一种图像增广方法。下面我们通过torchvision.transforms模块创建RandomHorizontalFlip实例来实现一半概率的图像水平（左右）翻转。 上下翻转不如左右翻转通用。但是至少对于样例图像，上下翻转不会造成识别障碍。下面我们创建RandomVerticalFlip实例来实现一半概率的图像垂直（上下）翻转。 变化颜色 另一类增广方法是变化颜色。我们可以从4个方面改变图像的颜色：亮度（brightness）、对比度（contrast）、饱和度（saturation）和色调（hue）。我们也可以随机变化图像的色调。类似地，我们也可以随机变化图像的对比度。

混合模式是PS最强大的功能之一，它决定了当前图像中的像素如何与底层图像中的像素混合，使用混合模式可以轻松地制作出许多特殊的效果，但是要真正掌握它却不是一件容易的事。 将混合模式分为六大类，即： 一.组合模式（正常、溶解） 二.加深混合模式（变暗、正片叠底、颜色加深、线性加深） 三.减淡混合模式（变亮、滤色、颜色减淡、线性减淡） 四.对比混合模式（叠加、柔光、强光、亮光、线性光、点光、实色混合） 五.比较混合模式（差值、排除） 六.色彩混合模式（色相、饱和度、颜色、亮度）。 详解： 一.组合模式：组合模式中包含“正常和溶解”模式，它们需要配合使用不透明度才能产生一定的混合效果。 1.正常模式：在“正常”模式下调整上面图层的不透明度可以使当前图像与底层图像产生混合效果。 　 　2.“溶解”模式：特点是配合调整不透明度可创建点状喷雾式的图像效果，不透明度越低，像素点越分散。 二.加深混合模式：加深混合模式可将当前图像与底层图像进行比较使底层图像变暗。 1.变暗模式：特点是显示并处理比当前图像更暗的区域。(查看每个通道中的颜色信息，并选择基色或混合色中较暗的颜色作为结果色。比混合色亮的像素被替换，比混合色暗的像素保持不变。) 2.正片叠底：特点是可以使当前图像中的白色完全消失，另外，除白色以外的其他区域都会使底层图像变暗。无论是图层间的混合还是在图层样式中，正片叠底都是最常用的一种混合模式

一、原理及相关API dst = alpha*src + beta alpha > 0 控制图像对比度，beta是增益变量，控制图像亮度 Mat new_img = Mat::zeros(img.size(),img.type()); 创建一张和原图像大小和类型一致的空白图像，像素值初始化为0 saturate_cast<uchar>(value) 确保值范围在0~255之间 Mat.at<Vec3b>(y,x)[index] = value; 给每个像素点每个通道赋值 二、通过读写像素的方式调整亮度与对比度 # include <opencv2/opencv.hpp> # include <iostream> using namespace std ; using namespace cv ; int main ( ) { Mat src , dst ; src = imread ( "images/02.png" ) ; if ( ! src . data ) { cout << "could not load image1..." << endl ; return - 1 ; } namedWindow ( "input_image" , CV_WINDOW_AUTOSIZE ) ; imshow ( "input_image" , src ) ; int height =

色彩的三大要素：色相， 饱和度， 明度 在色环中，如果两个颜色距离为180°，则二者为对比色，或互补色。 色阶： ctrl + L (明度) 在色阶图像中，两边多、中间少，颜色对比度高，图片好。 CMYK → 青 洋红 黄 黑 RGB → 红 绿 蓝 色彩平衡：ctrl + B （色相） 亮度对比度：alt + i + a + c(明度---对比度) 较色：把画面调成正常的颜色（校正颜色）。调色：调节出画面的氛围 曲线：ctrl + M (色相，饱和度，明度) 去色：ctrl + shift + U （饱和度） 色相饱和度：ctrl + U (色相，饱和度) 来源： https://www.cnblogs.com/ningchnb/p/3468299.html

图像增强主要解决由于图像的灰度级范围较小造成的对比度较低的问题，目的就是将输出图像的灰度级放大到指定的程度，使得图像中的细节看起来增加清晰。对比度增强有几种常用的方法，如线性变换、分段线性变换、伽马变换、直方图正规化、直方图均衡化、局部自适应直方图均衡化等。 1.灰度直方图 在讲解图像增强的方法之前先来认识一下灰度直方图，灰度直方图是图像灰度级的函数，用来描述每个灰度级在图像矩阵中的像素个数或者占有率。接下来使用程序实现直方图： import cv2 as cv import numpy as np import matplotlib . pyplot as plt def calcGrayHist ( I ) : # 计算灰度直方图 h , w = I . shape [ : 2 ] grayHist = np . zeros ( [ 256 ] , np . uint64 ) for i in range ( h ) : for j in range ( w ) : grayHist [ I [ i ] [ j ] ] += 1 return grayHist img = cv . imread ( "../testImages/4/img1.jpg" , 0 ) grayHist = calcGrayHist ( img ) x = np . arange ( 256 ) #

1.屏幕亮度，对比度获取和调节 bool set_screen_brightness ( long val ) { HWND hDesktopWnd = GetDesktopWindow ( ) ; HMONITOR hMonitor = MonitorFromWindow ( hDesktopWnd , MONITOR_DEFAULTTOPRIMARY ) ; DWORD cPhysicalMonitors = 0 ; if ( ! GetNumberOfPhysicalMonitorsFromHMONITOR ( hMonitor , & cPhysicalMonitors ) ) return false ; LPPHYSICAL_MONITOR pPhysicalMonitors = ( LPPHYSICAL_MONITOR ) malloc ( cPhysicalMonitors * sizeof ( PHYSICAL_MONITOR ) ) ; if ( pPhysicalMonitors ) { GetPhysicalMonitorsFromHMONITOR ( hMonitor , cPhysicalMonitors , pPhysicalMonitors ) ; //设置屏幕亮度 SetMonitorBrightness ( pPhysicalMonitors -

SRResNet SRResNet 网络来源于SRGAN，原论文（ https://arxiv.org/abs/1609.04802 ）提到一种扩展方式，允许修复更高频的细节。 SRResNet 的残差块架构基于这篇文章（ http://torch.ch/blog/2016/02/04/resnets.html ）。存在两个小的更改：一个是 SRResNet 使用 Parametric ReLU 而不是 ReLU，ReLU 引入一个可学习参数帮助它适应性地学习部分负系数；另一个区别是 SRResNet 使用了图像上采样方法，SRResNet 使用了子像素卷积层。详见： https://arxiv.org/abs/1609.07009 。 SRGAN网络结构如图1所示。 图1 在生成网络部分(SRResNet)部分包含多个残差块，每个残差块中包含两个3×3的卷积层，卷积层后接批规范化层(batch normalization, BN)和PReLU作为激活函数，两个2×亚像素卷积层(sub-pixel convolution layers)被用来增大特征尺寸。在判别网络部分包含8个卷积层，随着网络层数加深，特征个数不断增加，特征尺寸不断减小，选取激活函数为LeakyReLU，最终通过两个全连接层和最终的sigmoid激活函数得到预测为自然图像的概率。 这篇论文（ https:/