使用 OpenCV 調整圖片亮度，可以用 `cv2.convertScaleAbs()` 將每個像素乘上比例因子，再加上一個常數。若只是要讓圖片整體變亮或變暗，調整 `beta` 是最簡單的做法。
OpenCV 如何調整圖片亮度？
OpenCV 調整亮度常用 `cv2.convertScaleAbs(image, alpha, beta)`。`alpha` 控制對比比例，`beta` 控制整體亮度偏移。
`cv2.convertScaleAbs()` 會對影像像素做線性轉換：
```text
new_pixel = image_pixel * alpha + beta
```
當 `beta` 是正數，圖片會變亮；當 `beta` 是負數，圖片會變暗。原文範例使用 `alpha=1`，代表不改變對比，只移動亮度。
為什麼要注意像素範圍？
影像像素值通常需要落在 0 到 255。亮度調整後如果超出範圍，畫面可能出現過曝、截斷或型別轉換造成的非預期結果。
OpenCV 的 `convertScaleAbs()` 會進行絕對值與飽和轉換，但在不同寫法中仍應有像素範圍意識。原文提醒可用 NumPy 將超過 255 的值限制在合法範圍：
```python
new_image = np.where(new_image > 255, 255, new_image)
```
若你同時處理浮點陣列或自訂轉換流程，也可以使用 `np.clip(new_image, 0, 255)`。
Python 範例怎麼寫？
Python 範例的核心是讀取圖片後包成 `increase_brightness()` 函式。函式用 `value` 控制圖片變亮或變暗。
```python
import cv2
import numpy as np
image = cv2.imread("image1.jpg")
def increase_brightness(image, value):
new_image = cv2.convertScaleAbs(image, alpha=1, beta=value)
new_image = np.where(new_image > 255, 255, new_image)
return new_image
bright_image = increase_brightness(image, 50)
dark_image = increase_brightness(image, -50)
cv2.imshow("image", image)
cv2.imshow("bright_image", bright_image)
cv2.imshow("dark_image", dark_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
```
`value=50` 會讓圖片更亮，`value=-50` 會讓圖片更暗。這個函式適合做快速前處理，例如讓過暗的輸入圖比較容易被後續電腦視覺流程辨識。
什麼時候應該調 alpha 而不是 beta？
`beta` 適合調整整體亮度，`alpha` 適合調整對比。若圖片看起來灰灰的，可能需要調整 `alpha`，而不只是加亮。
| 需求 | 建議參數 |
|---|---|
| 整張圖片變亮 | 增加 `beta` |
| 整張圖片變暗 | 降低 `beta` |
| 提高明暗差 | 增加 `alpha` |
| 降低明暗差 | 降低 `alpha` |
實務上可以先固定 `alpha=1`，只調 `beta`。如果亮度夠了但畫面仍不清楚，再調整 `alpha`。
常見問題
cv2.convertScaleAbs 可以用來調暗圖片嗎？
可以。把 `beta` 設為負數就能讓圖片變暗，例如 `beta=-50`。
調整亮度會改變原始圖片檔案嗎？
不會。`cv2.convertScaleAbs()` 會回傳新的影像陣列，不會直接覆蓋原始檔案。除非你另外使用 `cv2.imwrite()` 儲存結果。
alpha 和 beta 有什麼差別？
`alpha` 是像素乘上的比例，主要影響對比。`beta` 是加到像素上的常數，主要影響亮度。
OpenCV 讀不到圖片時會怎樣？
`cv2.imread()` 讀不到圖片時通常會回傳 `None`。正式程式應該先檢查 `image is None`，再進行亮度調整。
np.where 和 np.clip 哪個比較適合限制像素？
若只限制上限，`np.where` 可以使用。若要同時限制 0 到 255，`np.clip(new_image, 0, 255)` 更直覺。
參考資料
- OpenCV, Operations on arrays, https://docs.opencv.org/4.x/d2/de8/groupcorearray.html，存取日期：2026-08-27。
- NumPy, clip, https://numpy.org/doc/stable/reference/generated/numpy.clip.html，存取日期：2026-08-27。
最後更新
Wed Dec 21 2022 08:00:00 GMT+0800 (Taiwan Standard Time)
延伸閱讀
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2022-12-21