图像亮度调整本质是数组线性平移：对每个像素值加delta，需用int16防uint8溢出，并用clip截断至0–255；灰度图为二维数组，RGB图为三维数组，各通道同步调整避免偏色。
用数组实现图像亮度调整，核心是把图像看作一个二维像素值矩阵，每个元素代表某个位置的亮度（灰度）或颜色通道值，通过统一加减一个偏移量来改变整体明暗。
理解图像数据的数组结构
多数简单图像处理中，图像被表示为三维数组：height × width × channels。例如灰度图是二维数组（h×w），每个值在 0–255 范围；RGB 图是三维数组（h×w×3），最后一维对应 R、G、B 三个通道。
关键点：
- 像素值是整数，通常范围是 0–255；超出需截断（clamping），不能直接保留负数或大于 255 的值
- 亮度调整本质是对每个通道（或灰度值）做线性平移：
new_value = old_value + delta - delta 为正变亮，为负变暗；常用范围建议控制在 −50 到 +50 之间，避免大面积过曝或死黑
手动遍历数组修改像素值（Python 示例）
不依赖 OpenCV 或 PIL，纯 NumPy 数组操作即可完成：
import numpy as np <h1>假设 img 是 uint8 类型的 RGB 图像数组 (h, w, 3)</h1><p>delta = 30 # 提亮 30</p><h1>方法1：逐通道加法 + 截断</h1><p>img_bright = np.clip(img.astype(np.int16) + delta, 0, 255).astype(np.uint8)</p><h1>方法2：原地修改（节省内存）</h1><p>np.clip(img.astype(np.int16) + delta, 0, 255, out=img)</p>
说明：
- 必须先转成 int16 或更高位宽类型，防止 uint8 加法溢出（如 250+10 变成 4）
- np.clip 自动处理上下限，比手动 if-else 高效得多
- 若只调灰度图，可先用加权平均转灰度：
gray = 0.299*R + 0.587*G + 0.114*B，再统一增减
实战中要注意的细节
真实场景下容易踩坑的地方：
-
数据类型陷阱：直接对 uint8 数组做
img + 30会静默溢出，结果错误但无报错 - 彩色图 vs 灰度图：RGB 各通道同步加 delta 是“亮度调整”，若只调某一个通道（如只加 R），会明显偏色
- 非线性感知：人眼对亮度敏感是非线性的，单纯线性加减在暗部/亮部变化感知不均；进阶可用 gamma 校正或 HSV 空间调 V 通道
-
原图保护：建议始终操作副本（
img.copy()），避免意外覆盖原始数据
扩展：用嵌套 for 循环手写（教学/低资源环境）
适合理解底层逻辑或运行在无 NumPy 的嵌入式设备上：
# img_2d: 二维灰度图列表，如 [[120, 130, ...], [...], ...]
delta = -20
for i in range(len(img_2d)):
for j in range(len(img_2d[i])):
val = img_2d[i][j] + delta
img_2d[i][j] = 0 if val < 0 else 255 if val > 255 else val
注意：
- 双重循环效率低，仅用于小图或教学演示
- 务必显式判断边界，Python 中没有自动截断
- 若图像很大（如 4K），务必改用向量化操作，否则卡顿明显
不复杂但容易忽略。
