Emgu CV偏暗蓝色识别全攻略：HSV阈值、预处理与轮廓筛选实战-开发者社区

Emgu CV 里调教“偏暗的蓝色”，这活儿看着简单，实际坑不少。我最初是在一个零件分拣的模拟项目上被这个问题绊住的：传送带光源不匀，工件上有一块深蓝色的标签，要求在不停线的状态下稳定识别出来。白天光照强的时候，用普通 RGB 阈值还能凑合，可一到下午或者换个工位，蓝标签就变得又暗又糊，阈值一收紧就漏检，一放松就把旁边黑色的橡胶圈一起框进来，那几天调参数调得人发懵。

后来把整套流程重新捋了一遍，核心问题其实不在“蓝色”上，而在“偏暗”这两个字。这篇文章就专门聊聊怎么在 Emgu CV 里把这类目标稳住，从色彩空间选型到阈值设定，再到光照适应性处理和一些排查经验，都给梳理出来，给同样被这类问题磨过的朋友一个参考。

1. 识别偏暗蓝色的整体思路与方案选型

1.1 为什么“偏暗的蓝色”会让不少 RGB 方案翻车

很多第一次接触颜色识别的朋友，第一反应是直接用 RGB 分量硬切：蓝色嘛，B 通道值高，R 通道值低，然后把两个条件一与，框出来了。这个思路在小范围实验、光照均匀的桌面环境下能跑通，但一落到实际场景很容易出问题。

根本原因在于 RGB 三个通道之间存在很强的相关性。一个物体变暗，并不是只有 B 通道降低，R、G、B 是一起变的，只是降幅不同。比如一个偏暗的蓝色，在 RGB 里可能是 (30, 60, 90)，跟一个中等灰度的灰色 (60, 60, 60) 相比，它的 B 值不一定占绝对优势。这时候如果你用“B > 100”这种阈值，偏暗蓝直接被过滤掉；如果把阈值下调到“B > 60”，那场景里所有带冷色调的暗色区域都会钻进来。

另外，光源色温对 RGB 的破坏力也很明显。白炽灯下偏黄的白色表面，B 通道会明显偏低；而阴天或者 LED 冷白光下，暗蓝色的 B 通道可能又虚高。RGB 空间里这些因素纠缠在一起，很难用一组固定阈值覆盖全天候场景。

项目实操下来，我的体会是：不是 RGB 绝对不能用来做颜色识别，而是它对“颜色”的表达不符合人类直觉。正因如此，在实际做项目时我更倾向于换成 HSV 或 LAB 这类色彩空间，把一个颜色的色相、饱和度和亮度分开管理。这样“偏暗的蓝色”就变成了一个独立的问题：色相上承认它是蓝色，亮度上单独处理暗的情况，两个维度互不干扰，逻辑顺得多。

1.2 为什么选用 HSV 色彩空间来处理这类问题

HSV 把颜色拆成色调、饱和度、明度三个分量。工程上最常用的就是 H 和 S 通道，因为这两个通道对光照变化的抵抗力比 RGB 强不少。色相（H）表示这到底是什么颜色，饱和度（S）表示颜色的鲜艳程度，明度（V）表示整体亮度。

对“偏暗的蓝色”来说，最关键的一个认知转变是：偏暗不代表色相变了。一个深蓝色的工件，在正常光照下它的 H 值可能落在 100–110 之间（OpenCV/Emgu CV 的 0–180 标度），就算光照减半，H 值的变化通常也只在几度以内，远没有 RGB 那种成比例的跳变。只要 H 范围给得够准，暗不暗主要是 V 通道的事。

这也是为什么项目里我坚持用 HSV：把“是什么颜色”和“有多亮”拆开。偏暗的场景下，我们只需要把 V 的下限放宽，同时 H 的区间仍然紧锁在蓝色范围内，就能把偏暗的蓝色从黑乎乎的背景中拆出来，而又不让真正黑色的物体混进来拖泥带水。

当然，HSV 不是万能药。饱和度很低的颜色会带来 H 通道的不稳定，比如暗蓝色如果饱和度接近灰蓝色，H 值会来回跳，这时就要配合 S 的下限来做保护。总之，HSV 让问题变得可控，但阈值组合仍然需要在具体图像上做标定，核心思路是：用 H 定“是不是蓝色”，用 S 定“颜色纯度够不够”，用 V 定“亮度是否落在可接受的暗区范围内”。

1.3 识别偏暗蓝色时常见的技术路线对比

做了几个对比方案之后，我把常用路线的适用场景和坑整理成了表格，方便后续项目直接参考：

方案	核心思路	偏暗蓝色场景下的表现	适用场景
RGB 通道阈值	直接切 B 通道，配合 R/G 比值	光照稳定时勉强可行，暗光下漏检严重	实验室桌面、高亮均匀环境
HSV 阈值	分别锁定 H、S、V 范围，生成掩膜	对暗色更友好，通过 V 下限控制暗区边界	光照有波动、目标偏暗的工业视觉场景
LAB 色彩空间	利用 a、b 通道分离颜色与亮度	对低饱和暗色有一定鲁棒性，但参数不直观	颜色接近人眼感知、有专业调色需求
基于颜色直方图/查找表	建立颜色分布模型，用概率图判断	灵活性最好，但需要离线采集样本训练	多光源复杂场景、目标颜色有明显分布特征

针对“偏暗的蓝色”这一具体场景，我最终推荐还是走 HSV 二值化这条路。原因很实在：参数少、落地快、在 Emgu CV 里没有额外依赖。你只需要把 CvInvoke.CvtColor 切换到 HSV 空间，再配合 InRange 函数就能完成核心逻辑。

LAB 的 a、b 通道理论上更接近人眼感知，对饱和度低的暗色区分度也不错。但 LAB 的通道范围和 H、S 的物理意义差别很大，调起来不直观，做在线调试时反馈比较慢。除非场景里颜色很杂，否则没必要上来就用 LAB。颜色直方图方案则适合做长期稳定运行的视觉系统，它是用样本统计的方式建模，抗干扰能力强，但要花时间采集数据，对单点功能验证的项目来说性价比不高。

2. 核心步骤拆解：采集、预处理与阈值设计

2.1 图像采集阶段就要考虑的 3 个问题

很多人一上来就写处理代码，忽略了图像本身的质量上限。算法再强也救不了一张过曝或者严重偏色的图。实际调试偏暗蓝色识别时，图像采集阶段有 3 个问题需要提前确认。

第一个是光源角度。蓝色物体表面通常比较光滑，反光时会形成高光区域，高光部分的颜色信息会丢失，H 值变得极不稳定。如果光源从正前方直射，蓝标签中央可能会打出白斑。我踩过这个坑，当时 H 范围怎么调都覆盖不了整块标签，后来发现是镜面反光导致中心发白，饱和度接近 0，H 通道跟着失真。解决办法是调整光源角度，让光线从侧前方入射，或者增加漫射板，让反光不直接进入镜头。

第二个是白平衡。Emgu CV 里读图时，如果是彩色相机的自动白平衡，同一块颜色在不同时段拍出来会有一层色罩。蓝色在偏黄的暖光下会显得偏绿，色相往 90 以下偏移；在偏青的冷光下又可能 H 值冲到 115。如果必须在不同时段运行，最好锁定相机的白平衡参数，别用自动模式。

第三个是曝光时间。偏暗的蓝色物体在整体画面中可能只占一小块，相机的自动曝光会照顾整体亮度，导致这一小块区域偏暗。这时候可以考虑用手动曝光，或者用局部感兴趣区域辅助判断曝光参数。如果目标本身就是要识别暗色目标，整体曝光偏低可以接受，但要确保暗蓝色跟纯黑色在灰度上还有一层差距，别让两者糊成一片。

2.2 预处理环节：降噪与色彩空间转换的顺序问题

预处理顺序看起来是小问题，但对结果的影响非常直接。我的建议是：先转 HSV，再做轻度平滑，然后执行 InRange。如果先对 BGR 图像做高斯模糊，再转 HSV，颜色过渡区域的 H 值可能被邻域像素拉偏，在颜色边界处产生假轮廓。

这里说一下降噪的实际作用。工业相机或者手机摄像头传进来的图像，多多少少会有传感器噪声，尤其在暗光环境下，蓝色区域的 V 通道会出现随机波动。如果直接对原图 InRange，掩膜上会散布很多椒盐噪声点。适量高斯模糊（核大小选 3 或 5）能把这层噪声抹掉，让后续的掩膜更干净。核太大不行，蓝色和黑色交界区域会被平均成中间色，导致边界收缩或膨胀。

另外有一个细节值得注意：Emgu CV 的 CvtColor 默认输出是 CV_8UC3，H 范围是 0–180 而不是 0–360，这一点很多人第一次都容易踩到。你在网上查资料时，看到别人写的 0–179 之类的区间，实际上就是指 0–180 标度，不是笔误。这也是为什么网上常见 H 范围设定看起来是“整数”的原因之一。

我用 C# 写 Emgu CV 的预处理流程一般是这样的：

using Emgu.CV; using Emgu.CV.CvEnum; using Emgu.CV.Structure; Mat src = new Mat("blue_part.jpg", ImreadModes.Color); Mat hsv = new Mat(); CvInvoke.CvtColor(src, hsv, ColorConversion.Bgr2Hsv); Mat blurred = new Mat(); CvInvoke.GaussianBlur(hsv, blurred, new Size(3, 3), 0); Mat mask = new Mat(); CvInvoke.InRange(blurred, new ScalarArray(new MCvScalar(95, 60, 40)), new ScalarArray(new MCvScalar(125, 255, 180)), mask);

这段代码里 H 下界 95、上界 125，是在标准蓝和偏青之间取了一个兼容区间；S 下界 60 用于剔除灰蓝色干扰；V 下界 40 是关键——它比常规“亮蓝”识别（V 下界往往在 80 以上）低了一截，目的是把偏暗蓝纳入范围，同时又确保纯黑背景不会进来。

2.3 InRange 阈值参数设计的几个可用经验

阈值参数在整个项目里是最需要反复打磨的部分。偏暗蓝色识别的关键其实不在“上界”，而在“下界”的匹配深度。

H 通道的设定相对直觉化。蓝色在 180 标度下大致是 100–110 中心区，深蓝色可能跑到 105 左右，偏青的蓝则落到 90–100。如果要覆盖“蓝色大家族”，H 区间可以宽松到 90–130，但这样一来，青色、偏蓝的绿色也会被框进来。多数场景下，H 范围先给到 95–125，后续看分割效果再收口。

S 通道则要看目标的“脏净程度”。偏暗的蓝往往是在饱和度上吃了亏，光线不足时蓝色物体的饱和度会明显下降。如果你把 S 下限设成 100，偏暗蓝大概率会被丢掉；设成 40 又可能让灰色墙面进入候选区。拿经验来说，偏暗蓝的 S 下限建议在 40–80 之间探测，先用 60 起步，对比掩膜上杂质的多少再微调。

V 通道决定了暗度的边界。这个参数是偏暗蓝识别里最值得花时间的。如果场景里存在纯黑色背景，V 下限就得压在 40–50 之间，太高会吃掉暗蓝目标，太低则暴露出大量黑色噪声。如果背景是浅色或中等灰度的，V 下限可以大胆放到 30 以下，反正黑色区域本来就不会大面积命中。

还有一个容易被忽略的细节：InRange 在 Emgu CV 里返回的掩膜是 0 和 255 的二值图像，后续查找轮廓前可以先用阈值函数把掩膜重新阈值化一次，逻辑上更保险，也方便后续结合形态学操作时观察中间状态。

3. 实操过程：从掩膜到轮廓筛选的完整实现

3.1 环境准备：Emgu CV 版本选择与引入

动手编码前先搭好环境。Emgu CV 是 OpenCV 的 .NET 封装，版本迭代很快，不同版本间 API 会有差异。我用的版本是 4.8.x，在 NuGet 里直接搜 Emgu.CV 就能装，它会自动带上运行时依赖。需要注意的一点是，新版本里矩阵数据结构统一用 Mat，旧的 Image<TColor, TDepth> 还能用，但新项目建议直接用 Mat，接口更贴近 OpenCV 原生风格，资料也好查。

如果你是在 Windows 上跑，装完后要先确认运行库能正确加载。简单写一个读取图片并显示窗口的 Demo，确认 Emgu.CV.World 和 Emgu.CV.Bitmap 两个包都正常。遇到过有人 NuGet 包装了，但 C:\Windows\System32 下缺少 VC++ 运行库，导致程序启动报错，这种情况装上对应运行库就解决。

这里贴一下 NuGet 安装的关键包名：

Emgu.CV Emgu.CV.Bitmap Emgu.CV.World

其中 Emgu.CV.Bitmap 负责和 System.Drawing.Bitmap 互转，在 WinForms 里显示结果图时会用到。

3.2 核心识别流程的完整代码

下面这段是项目里最终定型的核心逻辑，完成从读取图像到框出偏暗蓝色目标的完整流程。流程分为五步：读取原图、转 HSV、InRange 生成掩膜、形态学去噪、轮廓筛选。

using Emgu.CV; using Emgu.CV.CvEnum; using Emgu.CV.Structure; using Emgu.CV.Util; using System.Drawing; public List<Rectangle> FindDarkBlueRegions(Mat image) { Mat hsv = new Mat(); CvInvoke.CvtColor(image, hsv, ColorConversion.Bgr2Hsv); Mat mask = new Mat(); CvInvoke.InRange(hsv, new ScalarArray(new MCvScalar(95, 40, 40)), new ScalarArray(new MCvScalar(125, 255, 200)), mask); // 用开运算去掉掩膜上的孤立噪点，同时保留目标区域的完整轮廓 Mat kernel = CvInvoke.GetStructuringElement( ElementShape.Rectangle, new Size(5, 5), new Point(-1, -1)); CvInvoke.MorphologyEx(mask, mask, MorphOp.Open, kernel, new Point(-1, -1), 1, BorderType.Default, new MCvScalar()); VectorOfVectorOfPoint contours = new VectorOfVectorOfPoint(); CvInvoke.FindContours(mask, contours, null, RetrType.External, ChainApproxMethod.ChainApproxSimple); List<Rectangle> results = new List<Rectangle>(); double minArea = 500; // 按实际目标大小调整 for (int i = 0; i < contours.Size; i++) { if (CvInvoke.ContourArea(contours[i]) < minArea) continue; Rectangle rect = CvInvoke.BoundingRectangle(contours[i]); results.Add(rect); } return results; }

这段代码里有几处需要结合项目实际微调：InRange 的 V 上界，我设了 200，是因为目标再亮也不该是纯白高光，如果场景里存在很亮但偏蓝的区域误入，可以适当把 V 上界降下来；minArea 过滤的是小噪点连通域，面积阈值需要根据目标的像素大小来算——比如实际物理尺寸 3cm×3cm，分辨率 1280×720 时，按相机标定换算出来可能就是几千像素，从 500 起步试。

3.3 形态学开运算到底起到了什么作用

形态学处理这一段，在开发前期我一度省掉了，因为觉得反正有面积过滤，噪点形不成大块连通域。但在偏暗蓝识别中，开运算的作用不仅是去噪，更是把“断断续续的暗蓝区域”重新连成整体。

暗蓝色物体在图像中往往因为光线不均，被分割成几块亮度略有差异的区域，InRange 后可能只保留其中一块，其他块因为 V 低于下限被剔除。视觉上就是掩膜上出现破碎的岛屿状目标。开运算里的膨胀环节能把邻近岛屿粘连起来，再经过腐蚀把细长的伪轮廓去掉，最终得到一个完整的连通域。

核大小对结果影响很大。5×5 是比较中庸的起步值。目标偏大、边界粗糙时，7×7 可以让边界更平滑；目标小、边缘精细时，3×3 更合适。需要注意的是，核过大会让两个原本距离较近的独立目标在掩膜上连成一块，反而导致漏检。调试时建议把 mask 中间结果直接显示出来，肉眼确认每一步的处理效果，不要闷头调参数。

3.4 轮廓筛选：面积之外还要考虑哪些几何特征

很多人做到轮廓面积过滤就收工了，但实际场景里往往还有最后一道坎。例如传送带上有另一块深蓝色的标签，但面积更小或形状不同，仅凭面积过滤分不开。

这时候可以加入形态学上的宽高比过滤。偏暗蓝色的识别目标如果是标签或按钮，它的长宽比通常落在某个区间内。用矩形外接框的宽高比做一个过滤条件，可以挡掉细长的线缆或扁平的遮挡物。代码如下：

Rectangle rect = CvInvoke.BoundingRectangle(contours[i]); double aspectRatio = rect.Width / (double)rect.Height; if (aspectRatio > 3.0 || aspectRatio < 0.33) continue;

还可以考察矩形度和轮廓面积占比。用轮廓面积除以最小外接矩形的面积，得到的值如果太低，说明目标形状很不规则，大概率是被部分遮挡或者噪点粘连造成的。一般矩形目标这一比值在 0.7 以上，如果低于 0.5，就需要额外审视一下是否把多个分离目标合并了。

实际项目中，特征筛选是按“必要但不充分”的层层关卡设计的，每加一个条件就能干掉一批误检，但每次加条件也要评估是否会误杀正样本。最好的调试方式是把所有候选目标的几何特征打印到一个调试窗口里，再回看具体哪个特征能分开目标和干扰物。

4. 常见问题、排查套路与调参心得

4.1 偏暗蓝和黑色在掩膜上“糊”在一起了怎么办

这是偏暗蓝识别里最典型的翻车现象，最初遇到时也头疼了一阵。图像的暗色区域，尤其是黑色工件侧面的阴影，V 值可能比暗蓝还要低。如果 V 下限设得太宽，这些区域会同时命中，形成一大片连续掩膜。

排查时先确认是不是 V 下限开得过低。如果背景黑色区域的 V 值接近 15，而暗蓝目标的 V 值是 60，就把 V 下限从 20 提高到 40，能立刻切割开。但如果两者 V 值都在 40 左右，就需要考虑用 S 通道做区分。纯黑色的饱和度通常在 0–20 之间，而暗蓝即使偏暗，只要不是发灰，S 值往往在 60 以上。把 S 下限从 30 提高到 60 会更可靠。

这里有一个容易忽略的点：暗蓝在光照不足的情况下 S 值也会下降，不能把 S 下限调得太高。我曾经为了剔除黑色背景，把 S 下限拉到 120，结果暗蓝目标也全被过滤了。后来找了一个折中点，并结合形态学开运算，才算把两者分开。建议你在调试时同时打印目标区域和背景区域的 H、S、V 均值，找出真正的区分维度，而不是盲目堆阈值。

4.2 光照轻微变化导致识别结果时好时坏怎么稳定

传送带项目上遇到过这样的现象：上午识别的阈值组合，下午命中率骤降。起初以为是程序问题，后来发现是窗户外面云层飘过，光线条件发生了变化。这种非剧烈变化对 H 通道影响不大，但对 V 通道影响很明显。

一种实用思路是让 V 阈值具备自适应性。简单做法是在程序启动时先采集一帧图像，统计全图的灰度均值，再把 V 下界按灰度均值的比例动态调整。这种方法不需要引入复杂的自适应算法，但对光照漂移能起到很好的抵抗作用。

另一种思路是把图像先做直方图均衡化，再转 HSV。直方图均衡化会拉伸灰度动态范围，让暗部细节更清楚。对付偏暗蓝尤其有效，因为它能把原本被压缩在低灰度区的蓝色边界信息充分展开。不过均衡化也会改变颜色的绝对感受，H 值可能在边界处出现偏移，所以用均衡化方案时，H 范围要跟着放宽一点。

4.3 调试时快速预览掩膜的一个小技巧

调参数最忌“盲调”。我的做法是把中间结果整合到一个调试窗口里，同时显示原图、掩膜、最终框选结果三张图。这样 H、S、V 上限下限变化的影响，能在一帧画面里直观呈现出来。

实现上并不复杂，用 Emgu CV 自带的 CvInvoke.Imshow 就能做。唯一要注意的是 Imshow 要求图像类型是 Byte 或 8 位三通道，掩膜是单通道，需要先用 CvtColor 转成 BGR 才能跟原图做水平拼接。C# 里可以用 Emgu.CV.CvEnum 的 HConcat 把两张图拼在一起显示。

Mat display = new Mat(); CvInvoke.HConcat(new VectorOfMat(src, maskBgr), display); CvInvoke.Imshow("Debug", display); CvInvoke.WaitKey(1);

有了这个调试面板，每次改阈值马上能看到效果，项目进度会快很多。别小看这一点，它真的能减少很多无效劳动。

4.4 常见问题排查速查表

结合自己项目里遇到的情况，整理了这份速查表，方便后续直接对照排除问题：

现象	可能原因	排查方向
目标区域严重漏检	H 范围过窄、V 下界太高	在调试窗口打印目标区域 HSV 均值，验证范围
掩膜上大量白色噪点	未做平滑或开运算，S 下限过低	增加高斯模糊核，提高 S 下限
黑色背景混入	V 下限太低、S 下限太低	分别打印黑背景和目标的 V/S 值，确定区分阈值
目标边界缺损	形态学核过大、H 区间收太紧	缩小核，适当放宽 H 范围后重新观察
不同时段效果波动	自动白平衡/自动曝光漂移	锁定相机参数，或程序内增加动态 V 阈值
掩膜出现青色区域	H 上界过高	将 H 上界从 130 回收到 120 附近

4.5 一些参数上没有明说的经验值

最后补充几个基于经验值的参考数据，适用于分辨率在 640×480 到 1280×720 之间的常见工业相机画面。

H 通道先给 95–125 做初次探测，如果目标蓝得比较纯正，收窄到 100–115 效果更好。S 通道的起步值给 50，如果背景发灰，再尝试 70–80。V 通道是偏暗蓝识别的重点，起步给 40，如果背景有纯黑，结合 S 通道做区分，不要单独拉高 V。高斯模糊核大小选 3，优先保证边界清晰。开运算核大小选 5，兼顾去噪和保形。面积过滤阈值按实际目标大小换算，建议比正常目标的最小面积低 20% 起步，再逐步收紧到没有误检为止。

这套经验值不是一个“万能公式”，它只是一个起始点。因为我接触过的项目中，相机品牌、感光度、光源色温都不同，同一套参数很难直接复制，但按照“先 H 后 S 再 V”的顺序去调试，会容易得多。具体操作中可以先把 H 范围放到很宽，比如 80–140，确认所有蓝色候选都在掩膜里，再逐步收窄消除干扰。

5. 识别偏暗蓝色之外：这套方法的延伸与项目感悟

5.1 从“暗蓝色”抽象出的通用解法

如果把“偏暗的蓝色”抽象一下，本质上是“低亮度 + 特定色相 + 有限饱和度”的目标识别问题。这套思路可以往下迁移到很多类似任务上。

例如偏暗的绿色标签、深紫色的线缆、暗红色按钮，这些目标跟“偏暗的蓝色”有着相似的结构：色相明确、亮度偏低、饱和度不如明面颜色那么鲜艳。处理流程几乎可以照搬：转 HSV、压 V 上限和下限、在 S 通道上做中等范围容忍、形态学去噪、轮廓几何筛选。

再往深一层说，这其实也解释了为什么很多视觉项目不直接对 RGB 下手。人类用“颜色深浅”描述物体，计算机用通道数值表达像素，HSV 就是这两个世界之间的翻译器。偏暗色目标的识别难点，本质上是在“颜色一致性”和“亮度变化”之间找平衡，而 HSV 正好把这两个因素拆开了。

5.2 项目中的一些代码组织心得

写视觉识别的代码，阶段上我会拆成三层来组织，这样后续维护不费劲。第一层是“采集层”，只管拿图和预处理，不掺业务逻辑。第二层是“提取层”，输入图像，输出候选轮廓，内部完成色彩空间转换、InRange、形态学、轮廓筛选。第三层是“决策层”，拿到候选矩形后做业务判断，比如输出坐标、触发下一步机械动作。三层解耦后，换一个颜色目标时，只需要替换第二层的阈值参数，业务逻辑完全不用动。

具体到函数命名上，建议把“FindDarkBlueRegions”这种名字改成更通用的“FindRegionsByColorRange”，参数里传入 H/S/V 的上下限，这样理论上任何颜色都能复用同一个函数，只是参数表不同。调用方再用一个配置类管理不同颜色目标对应的阈值，这样代码更干净。

5.3 我自己踩过的坑，希望你能避开

坦白说，最初用 Emgu CV 做偏暗蓝识别时，我在一个低级问题上卡了近半天：用 InRange 对比后，掩膜图像怎么显示都是全黑的。后来发现是 CvtColor 里颜色转换代码写错了，把 Bgr2Hsv 写成了 Bgr2Gray。这种低级错误没什么好办法，唯一建议是调试时把中间结果的类型和通道数打印出来，看是否符合预期。

还有一次找了一晚上的错，结果是相机采集的图像自带了一个很弱的 gamma 校正，导致蓝色通道整体被抬升，H 值偏移。这类问题很难用算法修复，最好在采集端解决，比如关掉相机的 gamma 处理，或者在预处理里做一次幂等变换把图像拉回线性响应。