前面已经做过图片亮度分析和对比度分析，这一篇继续沿着图像质量分析这个方向，做一个更直观的小工具：
图片过曝区域检测。
平时看照片时，经常会遇到这种情况：
天空一片死白、灯光位置完全没有细节、局部区域亮到"糊成一片"。
这种现象通常就和：
Overexposure，过曝
有关。
所以这次我用华为云码道辅助开发了一个简单的：
OpenCV Image Overexposure Detector
上传图片以后，程序会自动寻找接近纯白的高亮像素，统计它们占整张图片的比例，并在原图上用红色半透明区域标出这些位置。
一、这个工具能做什么？
这次功能还是保持简单。
目前支持：
- 上传 JPG / PNG 图片
- 自动检测高亮区域
- 统计 Overexposed Pixel Count
- 计算 Overexposed Ratio
- 判断 Normal / Slight Overexposure / Overexposed
- 在原图上用红色遮罩标记高亮区域
- 显示原图和检测结果
- 支持下载结果图
整个流程就是：
上传图片
↓
转换灰度图
↓
检测接近纯白的像素
↓
统计过曝像素数量
↓
计算占比
↓
判断曝光等级
↓
绘制红色遮罩
二、什么叫"过曝像素"？
一张灰度图片中的像素值范围通常是：
0～255
其中：
0 表示黑色
255 表示白色
如果某些区域的像素已经非常接近：
255
就说明这些地方亮度非常高。
当像素大量聚集在接近纯白的位置时，往往意味着：
高亮细节已经明显减少。
所以这次采用一个很直接的方法：
把灰度值 ≥ 245 的像素作为高亮候选区域。
核心逻辑可以理解成：
gray >= 245
只要超过这个阈值，就记入 Overexposed Pixel Count。
三、为什么阈值不是直接用 255？
如果只统计：
255
会比较严格。
因为真实图片经过：
JPEG 压缩
色彩转换
图像处理
以后，原本已经接近过曝的区域不一定刚好等于 255。
例如：
246
250
253
虽然没有到纯白，但视觉上已经非常亮。
所以这次把阈值设成：
245
相当于把：
245～255
这一段高亮像素都纳入统计。
这样会更容易发现接近"白掉"的区域。
四、过曝比例怎么计算？
只知道有多少个高亮像素还不够。
因为不同图片的尺寸可能完全不同。
例如：
一张图片有 500 个高亮像素
对于 200×200 的图片来说可能不少，
但对于 4K 图片来说几乎可以忽略。
所以还需要计算：
Overexposed Ratio
计算方式：
过曝像素数量
÷
总像素数量
×
100%
这样不同尺寸图片之间也比较容易比较。
五、这次怎么判断曝光等级？
当前工具使用了一个比较简单的规则：
Overexposed Ratio < 1%
→ Normal
1% ≤ Overexposed Ratio < 5%
→ Slight Overexposure
Overexposed Ratio ≥ 5%
→ Overexposed
这套阈值同样属于：
启发式规则。
不是摄影行业统一标准。
它主要是为了让这个小工具能够快速区分：
少量高亮
轻度过曝
明显大面积过曝
六、真实测试结果
这次继续使用前面一直测试的狗狗公园图片。
图片尺寸：
1650 × 953
检测阈值：
245
最终得到：
Overexposed Pixel Count：
889
Overexposed Ratio：
0.06%
Exposure Level：
Normal
从结果来看，这张图片虽然存在少量非常亮的区域，但占整张图的比例非常小。
所以最终被判断为：
Normal
七、为什么 889 个高亮像素还是 Normal？
乍一看：
889 个像素
好像不少。
但这张图片尺寸是：
1650 × 953
总像素数量大约有：
157 万
889 个像素放在整张图里，其实比例很小。
最终计算出来只有：
0.06%
而当前 Normal 阈值是：
低于 1%
所以它距离 Slight Overexposure 还有很大差距。
这也说明：
只看 Pixel Count 很容易误解。
真正更有意义的是：
Overexposed Ratio。
八、红色区域代表什么？
这次页面里还会把检测到的高亮区域直接标在原图上。
可以看到，红色半透明区域只出现在少数非常亮的位置。
例如：
天空局部高光
远处建筑高亮
草地上的强反光点
这些位置就是：
灰度值达到或超过 245 的像素区域。
这样相比只输出：
889
0.06%
更容易直接看出：
到底是哪里亮得比较厉害。
九、为什么不能说"红色区域就是错误曝光"？
这里需要特别注意。
检测到高亮区域，并不等于：
这个地方一定拍坏了。
比如：
太阳
灯泡
反光
白色墙面
天空高亮
本来就有可能接近纯白。
所以当前工具检测的其实是：
Near-white Highlight Regions
也就是：
接近纯白的高亮区域。
它可以帮助判断：
图片是不是存在大量亮部堆积，
但不能单独证明：
拍摄一定过曝。
如果要更专业地判断曝光，还需要结合：
RAW 数据
动态范围
局部纹理
相机参数
场景内容
一起分析。
十、这个工具适合用在哪里？
虽然算法很简单，但还是有不少实际用途。
相机采集检查
连续采集很多图片时，可以快速找出：
高亮区域异常多
的样本。
数据集质量筛选
如果某批训练图片里存在大量：
天空全白
灯光溢出
曝光异常
可以先通过 Overexposed Ratio 做一次简单筛选。
图像处理前后对比
例如做曝光调整之前和之后，
可以比较：
Overexposed Ratio
是否发生明显变化。
摄影辅助分析
虽然不能替代专业曝光工具，但可以快速查看：
高亮区域主要集中在哪里。
十一、这和上一篇亮度分析有什么区别？
上一篇做的是：
Average Brightness
它回答：
整张图片平均有多亮？
这一篇做的是：
Overexposed Ratio
它回答：
图片中有多少像素已经接近纯白？
这两个概念不是一回事。
一张图片平均亮度可能正常，
但局部仍然可能存在：
高光溢出。
反过来，一张整体很亮的图片，也不一定有大面积像素达到：
245～255。
所以：
Brightness
更偏整体亮度，
Overexposure
更偏：
高亮极端区域。
十二、这次依然保持轻量
最近这些项目我还是保持同一个思路：
一个小工具解决一个具体问题。
这次仍然只使用：
Python
OpenCV
FastAPI
原生 HTML / CSS / JavaScript
核心算法也很直接：
灰度化
阈值判断
像素统计
Overlay
不需要深度学习，也不需要复杂模型。
但做成可视化网页以后，效果就很直观。
总结
这次用华为云码道辅助开发了一个：
OpenCV 图片过曝区域检测工具。
核心流程：
上传图片
↓
转换灰度图
↓
检测 Gray ≥ 245
↓
统计 Overexposed Pixel Count
↓
计算 Overexposed Ratio
↓
判断 Exposure Level
↓
红色遮罩标记高亮区域
这次真实测试结果：
图片尺寸：
1650 × 953
Threshold：
245
Overexposed Pixel Count：
889
Overexposed Ratio：
0.06%
Exposure Level：
Normal
最终结果说明，这张图片虽然存在少量接近纯白的区域，但面积非常小，没有达到明显过曝的程度。
前面几篇分别回答了：
图片有多亮？
图片对比度够不够？
图片整体偏什么颜色？
这一篇则回答：
图片里到底有没有明显过曝区域？
下一篇可以继续做一个同样简单、而且和这篇正好对应的方向：
图片是不是太暗了？用华为云码道开发 OpenCV 欠曝区域检测工具
逻辑正好反过来：
统计接近 0 的暗像素比例，并把欠曝区域直接标出来。