在Python中，图像亮度增强是一种常用的图像处理技术，用于改善图像的视觉效果或提高图像的识别率。传统的方法包括直方图均衡化、对比度拉伸、伽马变换等，而现代的方法则包括深度学习、神经风格迁移等。
一、传统方法

1. 直方图均衡化
   直方图均衡化是一种简单而有效的亮度增强方法。它通过拉伸图像的灰度直方图，使得像素值在整个灰度范围内均匀分布，从而提高图像的对比度。在Python中，可以使用OpenCV库实现直方图均衡化。
2. 对比度拉伸
   对比度拉伸是通过改变像素值的分布范围来增强图像的对比度。它可以将图像的像素值进行线性或非线性变换，使得像素值的范围扩大或缩小，从而增强或降低图像的对比度。在Python中，可以使用OpenCV库实现对比度拉伸。
3. 伽马变换
   伽马变换是一种非线性亮度增强方法，它通过将像素值进行伽马函数变换来改变图像的对比度和亮度。在Python中，可以使用OpenCV库实现伽马变换。
   二、现代方法
4. 深度学习
   深度学习是一种基于神经网络的机器学习方法，它可以自动地学习图像的特征表示和分类器。在图像亮度增强方面，深度学习可以通过训练神经网络来学习图像的亮度分布和变化规律，从而自动地调整图像的亮度。在Python中，可以使用TensorFlow或PyTorch等深度学习框架实现深度学习亮度增强。
5. 神经风格迁移
   神经风格迁移是一种基于深度学习的图像风格迁移技术。它可以将一张图像的风格迁移到另一张图像上，从而改变图像的亮度和色彩。在Python中，可以使用TensorFlow或PyTorch等深度学习框架实现神经风格迁移。
   三、比较与选择
   传统方法简单易行，但效果有限；现代方法需要更多的计算资源和训练时间，但效果更好。在实际应用中，我们可以根据需求选择合适的方法。如果只是需要简单的亮度增强，传统方法即可满足需求；如果需要更精细的亮度调整或特定的风格迁移，则可以选择现代方法。
   四、示例代码
   这里提供一个简单的Python代码示例，使用OpenCV库实现直方图均衡化：
   ```python
   import cv2
   import numpy as np

   读取图像

   img = cv2.imread(‘input.jpg’)

   直方图均衡化

   equ = cv2.equalizeHist(img)

   显示原图和均衡化后的图像

   cv2.imshow(‘Original Image’, img)
   cv2.imshow(‘Histogram Equalized Image’, equ)
   cv2.waitKey(0)
   cv2.destroyAllWindows()