前面已经做过图片亮度分析，这一篇继续往下做一个很接近、但概念不一样的小工具：
图片对比度分析。
很多时候我们会觉得一张图片：
"看起来有点灰。"
"亮的地方不够亮，暗的地方也不够暗。"
"整体层次感不明显。"
这种感觉其实就和：
Contrast，对比度
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 Contrast Analyzer
上传一张图片以后，程序会自动计算对比度分数、平均亮度，并生成灰度直方图。
一、亮度和对比度其实不是一回事
上一篇做的是：
Brightness
它主要回答：
这张图片整体有多亮？
比如我们计算所有灰度像素的平均值。
而这一篇关注的是：
Contrast
它回答的是：
图片里的亮暗差异到底有多大？
举个简单例子。
假设两张图片平均亮度都是 150。
第一张大部分像素都集中在：
140～160
第二张像素却分布在：
30～240
虽然它们平均亮度差不多，但第二张的：
明暗跨度明显更大。
因此对比度也更高。
二、这次用什么计算 Contrast Score？
这次没有使用复杂算法，直接使用：
灰度标准差
来作为 Contrast Score。
核心思路：
原图
↓
灰度化
↓
计算所有灰度像素的标准差
↓
得到 Contrast Score
OpenCV 读取图片以后，先转换成灰度图。
然后计算：
gray.std()
标准差越大，说明像素亮度分布越分散。
也就是说：
暗的地方更暗
亮的地方更亮
亮暗差异更明显
因此可以简单理解成：
Contrast Score 越高，对比度通常越强。
三、这次工具做了哪些功能？
这次依然保持简单。
目前页面可以显示：
- Original Image
- Contrast Score
- Contrast Level
- Average Brightness
- Grayscale Histogram
- 支持下载 Histogram PNG
整个流程就是：
上传图片
↓
灰度化
↓
计算 Average Brightness
↓
计算 Contrast Score
↓
判断对比度等级
↓
绘制灰度直方图
四、对比度等级怎么判断？
这次先设置了三个简单区间：
Contrast Score ≥ 70：
High Contrast
35 ≤ Contrast Score < 70：
Normal Contrast
Contrast Score < 35：
Low Contrast
这个阈值并不是摄影行业统一标准。
更多是为了让这个小工具能够给出一个直观分类。
后面如果换成不同数据集，也可以根据实际图片情况调整阈值。
五、真实测试结果
这次继续使用之前的狗狗公园图片。
最终程序得到：
Contrast Score：
48.84
Average Brightness：
153.05 / 255
Contrast Level：
Normal Contrast
按照当前规则：
48.84 位于：
35～70
之间。
所以最终被判断为：
Normal Contrast
六、48.84 这个数字怎么理解？
Contrast Score 其实就是：
灰度值的标准差。
如果一张图片里的像素都很接近，
例如大部分都集中在：
150 左右
那么标准差就会比较小。
这说明：
整张图虽然可能亮度正常，但明暗层次不明显。
反过来，如果一张图片同时存在很多：
很暗的像素
很亮的像素
那么灰度值分布就会更分散。
标准差也会增加。
所以：
48.84
说明这张图片具有一定的明暗变化，但并没有达到特别强烈的高对比效果。
从原图来看也比较符合直觉。
七、为什么还要显示 Average Brightness？
这次页面里仍然保留了：
Average Brightness：
153.05
这是因为亮度和对比度最好一起看。
比如：
一张图可能很暗，但对比度很高。
也可能：
整体很亮，但对比度很低。
所以：
Brightness
和：
Contrast
描述的是两个不同维度。
这张狗狗图：
Average Brightness = 153.05
说明整体亮度比较正常。
Contrast Score = 48.84
说明亮暗层次属于中等水平。
因此最后：
亮度：
Normal
对比度：
Normal Contrast
这两个结果是可以同时成立的。
八、直方图能看出什么？
这次同样生成了：
Grayscale Histogram
横轴：
0～255 灰度值
左边越靠近 0：
越暗
右边越靠近 255：
越亮
从这张图的 Histogram 可以看到：
像素并不是集中在一个很窄的区域里。
而是从暗部到亮部都有分布。
同时中高亮度区域像素比较多。
这也解释了为什么：
Average Brightness = 153.05
而 Contrast Score 仍然有：
48.84
说明整张图片既有明显亮部，也保留了一定暗部。
九、什么样的图片会是 Low Contrast？
低对比度图片通常会有一种：
"灰蒙蒙"
的感觉。
比如：
雾天照片
曝光比较平的图
整体颜色接近
暗部和亮部差异很小
这种情况下，灰度值可能大量集中在某个范围。
最终标准差就会比较低。
例如：
Contrast Score < 35
就会被当前工具判断为：
Low Contrast
十、High Contrast 又是什么样？
高对比度图片通常会有比较明显的：
黑白反差
强光
阴影
亮暗边界
例如：
逆光场景
黑底白字
舞台灯光
强烈明暗摄影
这些图片的灰度值跨度通常更大。
所以：
Contrast Score
也会明显升高。
十一、这种方法有什么局限？
使用灰度标准差判断对比度，最大的优点是：
简单
快
容易解释
但它也不是绝对标准。
例如图片里存在大量噪点，也可能提高灰度标准差。
另外：
局部高对比
和：
整体高对比
也不是完全一样的概念。
所以这个工具更适合：
快速分析整张图片的整体明暗分布。
如果要做更专业的图像质量评价，还可以进一步分析：
局部对比度
动态范围
局部标准差
CLAHE 前后变化
但对于这一篇的小工具来说，灰度标准差已经足够。
十二、可以用在哪里？
这种简单的对比度分析可以用于很多基础场景。
比如：
数据集检查
快速找出：
过灰
层次不足
对比度异常
的图片。
图像增强前判断
如果 Contrast Score 太低，可以进一步考虑：
Histogram Equalization
CLAHE
等方法增强对比度。
相机图片分析
可以辅助观察不同曝光条件下，图像的明暗跨度有没有明显变化。
图像处理实验
做滤波、增强或者曝光处理前后，可以直接比较 Contrast Score 的变化。
十三、为什么这次继续做这种小项目？
最近这几篇都保持同一个节奏：
一个小项目解决一个明确问题。
这次依然只用了：
Python
OpenCV
FastAPI
原生 HTML / CSS / JavaScript
不用模型训练，也没有复杂系统。
而且这个项目和上一篇亮度分析还能很好地区分：
Brightness：
看整体亮不亮
Contrast：
看亮暗差异大不大
两个概念放在一起学习也比较直观。
总结
这次用华为云码道辅助开发了一个：
OpenCV 图片对比度分析工具。
核心流程：
上传图片
↓
转换灰度图
↓
计算 Average Brightness
↓
计算灰度标准差
↓
得到 Contrast Score
↓
判断 Contrast Level
↓
显示 Histogram
真实测试结果：
Average Brightness：
153.05 / 255
Contrast Score：
48.84
Contrast Level：
Normal Contrast
这也说明：
图片整体亮度和图片对比度，并不是同一个概念。
前一篇回答的是：
这张图片有多亮？
这一篇回答的是：
这张图片的亮暗差异到底大不大？
下一篇可以继续做一个同样简单、但视觉效果很明显的方向：
图片颜色偏不偏？用华为云码道开发 OpenCV 色彩偏移分析工具
可以统计 RGB 三个通道的平均值，判断图片整体是：
偏红、偏绿、偏蓝，还是相对均衡。