商城网站建设net2006,网站设计的基本知识,网站维护与排名,网站名称及域名文章目录 1 背景介绍2 代码实现3 原理分析4 效果展示5 附录np.ndindexnumpy.ravelnumpy.argsortcv2.detailEnhancecv2.edgePreservingFilter 1 背景介绍
学习参考来自#xff1a;OpenCV基础#xff08;24#xff09;改善夜间图像的照明
源码#xff1a;
链接#xff1a… 文章目录 1 背景介绍2 代码实现3 原理分析4 效果展示5 附录np.ndindexnumpy.ravelnumpy.argsortcv2.detailEnhancecv2.edgePreservingFilter 1 背景介绍
学习参考来自OpenCV基础24改善夜间图像的照明
源码
链接https://pan.baidu.com/s/1cMDB-fDu9CXc0zJ97RT8eA
提取码123a论文 Shi Z, Zhu M M, Guo B, et al. Nighttime low illumination image enhancement with single image using bright/dark channel prior[J]. EURASIP Journal on Image and Video Processing, 2018, 2018: 1-15.
方法描述 基于双通道bright chennel 和 dark channel先验的方法对单个图像进行低照度图像增强。
流程简介 2 代码实现
# -*- coding: utf-8 -*-Created on Tue Sep 8 01:00:10 2020author: hp
import cv2 as cv
import numpy as np
from guidedfilter import guided_filterdef get_illumination_channel(I, w):M, N, _ I.shape # 900, 1440padded np.pad(I, ((int(w / 2), int(w / 2)), (int(w / 2), int(w / 2)), (0, 0)), edge) # (914, 1454, 3)darkch np.zeros((M, N))brightch np.zeros((M, N))for i, j in np.ndindex(darkch.shape):darkch[i, j] np.min(padded[i:i w, j:j w, :])brightch[i, j] np.max(padded[i:i w, j:j w, :])return darkch, brightch # (900, 1440)def get_atmosphere(I, brightch, p0.1):M, N brightch.shape # 900, 1440flatI I.reshape(M * N, 3) # (1296000, 3)flatbright brightch.ravel() # (1296000,)searchidx (-flatbright).argsort()[:int(M * N * p)] # - min to max max to min, get top 10% max, 129600A np.mean(flatI.take(searchidx, axis0), dtypenp.float64, axis0) # array([0.32973554, 0.33248184, 0.29444357])return Adef get_initial_transmission(A, brightch):A_c np.max(A) # 0.33248184458985186init_t (brightch - A_c) / (1. - A_c) # (900, 1440)return (init_t - np.min(init_t)) / (np.max(init_t) - np.min(init_t))def get_corrected_transmission(I, A, darkch, brightch, init_t, alpha, omega, w):im3 np.empty(I.shape, I.dtype) # (900, 1440, 3)for ind in range(0, 3):im3[:, :, ind] I[:, :, ind] / A[ind] # array([0.32973554, 0.33248184, 0.29444357])dark_c, _ get_illumination_channel(im3, w)dark_t 1 - omega * dark_ccorrected_t init_tdiffch brightch - darkchfor i in range(diffch.shape[0]):for j in range(diffch.shape[1]):if (diffch[i, j] alpha):corrected_t[i, j] dark_t[i, j] * init_t[i, j]return np.abs(corrected_t)def get_final_image(I, A, refined_t, tmin):refined_t_broadcasted np.broadcast_to(refined_t[:, :, None], (refined_t.shape[0], refined_t.shape[1], 3)) # (900, 1440)-(900, 1440, 3)J (I - A) / (np.where(refined_t_broadcasted tmin, tmin, refined_t_broadcasted)) Areturn (J - np.min(J)) / (np.max(J) - np.min(J))def dehaze(I, tmin, w, alpha, omega, p, eps, reduceFalse):m, n, _ I.shape # 900, 1440Idark, Ibright get_illumination_channel(I, w) # cv.imwrite(xxx.jpg, xxx*255)A get_atmosphere(I, Ibright, p) # array([0.32973554, 0.33248184, 0.29444357])init_t get_initial_transmission(A, Ibright) # (900, 1440) cv.imwrite(init_t.jpg, init_t*255)if reduce:init_t reduce_init_t(init_t)corrected_t get_corrected_transmission(I, A, Idark, Ibright, init_t, alpha, omega, w) # cv.imwrite(corrected_t.jpg, corrected_t*255)normI (I - I.min()) / (I.max() - I.min())refined_t guided_filter(normI, corrected_t, w, eps) # cv.imwrite(refined_t.jpg, refined_t*255)J_refined get_final_image(I, A, refined_t, tmin) # cv.imwrite(J_refined.jpg, J_refined*255)enhanced (J_refined * 255).astype(np.uint8) # cv.imwrite(enhanced.jpg, enhanced)f_enhanced cv.detailEnhance(enhanced, sigma_s10, sigma_r0.15) # cv.imwrite(f_enhanced.jpg, f_enhanced)f_enhanced cv.edgePreservingFilter(f_enhanced, flags1, sigma_s64, sigma_r0.2) # cv.imwrite(f_f_enhanced.jpg, f_enhanced)return f_enhanceddef reduce_init_t(init_t):init_t (init_t * 255).astype(np.uint8)xp [0, 32, 255]fp [0, 32, 48]x np.arange(256)table np.interp(x, xp, fp).astype(uint8)init_t cv.LUT(init_t, table)init_t init_t.astype(np.float64) / 255return init_tif __name__ __main__:im cv.imread(./shop.png) # (900, 1440, 3)# im cv.imread(./vast_of_night.jpg) # (900, 1440, 3)orig im.copy()tmin 0.1 # minimum value for t to make J imagew 15 # window size, which determine the corseness of prior imagesalpha 0.4 # threshold for transmission correctionomega 0.75 # this is for dark channel priorp 0.1 # percentage to consider for atmosphereeps 1e-3 # for J imageI np.asarray(im, dtypenp.float64) # Convert the input to an array.I I[:, :, :3] / 255f_enhanced dehaze(I, tmin, w, alpha, omega, p, eps)f_enhanced2 dehaze(I, tmin, w, alpha, omega, p, eps, reduceTrue)cv.imshow(original, orig)cv.imshow(F_enhanced, f_enhanced)cv.imshow(F_enhanced2, f_enhanced2)cv.imwrite(original.jpg, orig)cv.imwrite(F_enhanced.jpg, f_enhanced)cv.imwrite(F_enhanced2.jpg, f_enhanced2)cv.waitKey(0)cv.destroyAllWindows()其中 guidedfilter 实现如下
# -*- coding: utf-8 -*-Created on Tue Sep 8 00:59:12 2020author: hp
from itertools import combinations_with_replacement
from collections import defaultdictimport numpy as np
from numpy.linalg import invB, G, R 0, 1, 2 # index for conveniencedef boxfilter(I, r):Fast box filter implementation.Parameters----------I: a single channel/gray image data normalized to [0.0, 1.0]r: window radiusReturn-----------The filtered image data.M, N I.shapedest np.zeros((M, N))#print(I)# cumulative sum over Y axis (tate-houkou no wa)sumY np.cumsum(I, axis0)#print(sumY:{}.format(sumY))# difference over Y axisdest[:r 1] sumY[r:2*r 1] # top r1 linesdest[r 1:M - r] sumY[2*r 1:] - sumY[:M - 2*r - 1]#print(sumY[2*r 1:]) # from 2*r1 to end lines#print(sumY[:M - 2*r - 1]) # same lines of above, from start#tile replicate sumY[-1] and line them up to match the shape of (r, 1)dest[-r:] np.tile(sumY[-1], (r, 1)) - sumY[M - 2*r - 1:M - r - 1] # bottom r lines# cumulative sum over X axissumX np.cumsum(dest, axis1)#print(sumX:{}.format(sumX))# difference over X axisdest[:, :r 1] sumX[:, r:2*r 1] # left r1 columnsdest[:, r 1:N - r] sumX[:, 2*r 1:] - sumX[:, :N - 2*r - 1]dest[:, -r:] np.tile(sumX[:, -1][:, None], (1, r)) - sumX[:, N - 2*r - 1:N - r - 1] # right r columns#print(dest)return destdef guided_filter(I, p, r15, eps1e-3):Refine a filter under the guidance of another (RGB) image.Parameters-----------I: an M * N * 3 RGB image for guidance.p: the M * N filter to be guided. transmission is used for this case.r: the radius of the guidanceeps: epsilon for the guided filterReturn-----------The guided filter.M, N p.shapebase boxfilter(np.ones((M, N)), r) # this is needed for regularization# each channel of I filtered with the mean filter. this is myu.means [boxfilter(I[:, :, i], r) / base for i in range(3)]# p filtered with the mean filtermean_p boxfilter(p, r) / base# filter I with p then filter it with the mean filtermeans_IP [boxfilter(I[:, :, i]*p, r) / base for i in range(3)]# covariance of (I, p) in each local patchcovIP [means_IP[i] - means[i]*mean_p for i in range(3)]# variance of I in each local patch: the matrix Sigma in ECCV10 eq.14var defaultdict(dict)for i, j in combinations_with_replacement(range(3), 2):var[i][j] boxfilter(I[:, :, i]*I[:, :, j], r) / base - means[i]*means[j]a np.zeros((M, N, 3))for y, x in np.ndindex(M, N):# rr, rg, rb# Sigma rg, gg, gb# rb, gb, bbSigma np.array([[var[B][B][y, x], var[B][G][y, x], var[B][R][y, x]],[var[B][G][y, x], var[G][G][y, x], var[G][R][y, x]],[var[B][R][y, x], var[G][R][y, x], var[R][R][y, x]]])cov np.array([c[y, x] for c in covIP])a[y, x] np.dot(cov, inv(Sigma eps*np.eye(3))) # eq 14# ECCV10 eq.15b mean_p - a[:, :, R]*means[R] - a[:, :, G]*means[G] - a[:, :, B]*means[B]# ECCV10 eq.16q (boxfilter(a[:, :, R], r)*I[:, :, R] boxfilter(a[:, :, G], r)*I[:, :, G] boxfilter(a[:, :, B], r)*I[:, :, B] boxfilter(b, r)) / basereturn q3 原理分析
输入图片 一、获取明暗通道先验
get_illumination_channel 先padding然后滑动窗口 Ω \Omega Ω 扫描每个像素点size 为 w15窗口内像素值最小的为 dark最大的为 bright
每个空间位置3通道对比实现速度还是超级慢的
Ibright.jpg Idark.jpg 二、计算全局大气光照
明亮通道通过取前 10% 强度的平均值来计算的
get_atmosphere r g b 每个通道中原图3通道取 bright channel单通道 值最大的前 10% 对应空间位置的值求平均值
array([0.32973554, 0.33248184, 0.29444357])三、查找初始透射图
get_initial_transmission 处理后并归一化和 bright 通道的差异并不是很大
init_t.jpg 和 Ibright.jpg 的差异 四、使用暗通道估计校正后的透射图
get_corrected_transmission
进行此计算是为了纠正从明亮通道先验获得的潜在错误透射估计
原图先除以全局大气光照得到新图 im3再获取 im3 的 dark 通道 dark_cdark_t 1-0.75*dark_c获取原图双通道的差距如果差异较小进行修复修复的方式为 dark_t * init_t最后结果取绝对值
corrected_t.jpg corrected-t和init_t的比较 五、使用Guided Filter平滑透射图
refined_t.jpg 六、计算结果图像 get_final_image
J_enhanced.jpg enhance.jpg 再进行 cv.detailEnhance 和 cv.edgePreservingFilter 加强
f_enhanced.jpg f_f_enhanced.jpg 七、局限性
reduce True减少这些导致这些区域过度曝光的强烈白色斑点。这可以通过将值从 255 限制为某个最小值来完成
实现原理可以参考 【python】OpenCV—Brightness and Contrast adjustments
F_enhanced2.jpg 4 效果展示
输入 F_enhanced.jpg F_enhanced2.jpg 输入 F_enhanced.jpg F_enhanced2.jpg 输入 F_enhanced.jpg F_enhanced2.jpg 输入 F_enhanced.jpg F_enhanced2.jpg 输入 F_enhanced.jpg F_enhanced2.jpg 输入 F_enhanced.jpg F_enhanced2.jpg 输入 F_enhanced.jpg F_enhanced2.jpg 5 附录
np.ndindex
np.ndindex 是 NumPy 库中的一个函数它的主要功能是生成一个迭代器该迭代器遍历给定维度的所有索引。这些索引以元组的形式返回元组中的每个元素对应一个维度的索引。
一、功能描述
np.ndindex 函数接收一个或多个整数作为输入这些整数代表数组的各个维度的大小。然后它生成一个迭代器该迭代器遍历这些维度上的所有可能索引组合。每个迭代返回的索引元组可以用于访问多维数组中的元素。
二、使用方法
示例 1基础用法 假设我们有一个二维数组其形状为 (3, 2)即 3 行 2 列。我们可以使用 np.ndindex(3, 2) 来生成这个数组所有元素的索引
import numpy as np for index in np.ndindex(3, 2): print(index)输出将是
(0, 0)
(0, 1)
(1, 0)
(1, 1)
(2, 0)
(2, 1)numpy.ravel
numpy.ravel() 是 NumPy 库中的一个函数它的主要作用是将多维数组ndarray展平flatten成一维数组但会保持原数组数据的“C风格”内存布局。这意味着 ravel() 函数返回的数组是原数组在内存中的连续元素的视图view如果可能的话不会复制数据。然而如果需要对原数组进行任何修改而不影响 ravel() 返回的数组或者需要确保返回的数组是原数组的副本那么可能需要使用 .copy() 方法或者 numpy.flatten() 函数尽管 flatten() 总是返回数组的副本。
语法
numpy.ravel(a, orderC)a输入的多维数组。
order{‘C’, ‘F’, ‘A’, ‘K’}可选。指定了多维数组在内存中的存储顺序以及如何将数组展平。
‘C’意味着按行优先顺序进行展平C风格的连续即先遍历最外层的索引然后是次外层依此类推。‘F’意味着按列优先顺序进行展平Fortran风格的连续即先遍历最内层的索引然后是次内层依此类推。‘A’如果数组在内存中是连续的则按‘F’顺序展平否则按‘C’顺序展平。‘K’保留元素在内存中的顺序这主要是为了与旧的NumPy代码兼容。
numpy.argsort
numpy.argsort() 是 NumPy 库中的一个函数它的作用是返回数组元素值从小到大的索引数组。换句话说argsort() 并不是直接对数组进行排序而是返回一个索引数组这个索引数组指明了原数组中元素从小到大排列后的位置。
语法
numpy.argsort(a, axis-1, kindquicksort, orderNone)a要排序的数组。
axis沿着它进行排序的轴。如果没有指定或轴为-1则数组将被展平然后排序。
kind{‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}排序算法的选择。注意‘stable’ 排序算法在 NumPy 中可能不是所有平台都可用并且它的性能可能不如其他排序算法。
order如果数组包含字段则是要排序的字段名。否则该参数将被忽略。
返回一个索引数组表示原数组 a 中元素沿着指定轴排序后的索引。
cv2.detailEnhance
cv2.detailEnhance 是 OpenCV 库中的一个函数用于增强图像的细节使图像更加清晰和鲜明。这个函数基于多尺度Retinex算法Multi-Scale Retinex来实现图像的细节增强。
一、原理
多尺度Retinex算法采用了多个尺度的高斯滤波器对图像进行滤波从而在不同尺度下获取图像的亮度信息。然后通过将不同尺度下的图像进行加权平均来获取图像的整体亮度信息。通过将原始图像与多尺度Retinex算法得到的亮度信息相结合可以得到增强了细节的图像使图像的细节更加清晰和鲜明。
二、使用方法
在 OpenCV 中使用 cv2.detailEnhance 函数时通常需要传入待处理的图像作为输入并可以选择性地设置一些参数如 sigma_s 和 sigma_r这些参数分别用于控制图像的平滑程度和在平滑图像时保留边缘的重要性。
三、示例代码
下面是一个使用 cv2.detailEnhance 函数的示例代码片段注意cv2.detailEnhance 可能不是 OpenCV 的标准函数这里假设其用法类似于 OpenCV 中的其他图像处理函数
import cv2 # 读取图像
img cv2.imread(path_to_image.jpg) # 使用 detailEnhance 函数增强图像细节
# 注意这里的 sigma_s 和 sigma_r 是假设的参数具体值需要根据实际情况调整
enhanced_img cv2.detailEnhance(img, sigma_s10, sigma_r0.15) # 显示原始图像和增强后的图像
cv2.imshow(Original Image, img)
cv2.imshow(Enhanced Image, enhanced_img)
cv2.waitKey(0)
cv2.destroyAllWindows()四、注意事项
cv2.detailEnhance 可能不是 OpenCV 标准库中的直接可用函数但在某些 OpenCV 的扩展库或特定版本中可能存在。如果标准 OpenCV 库中没有此函数可能需要查找相关的扩展或第三方库。
在使用该函数时需要根据具体的应用场景调整参数以获得最佳效果。 由于多尺度Retinex算法对计算资源的需求较高处理大尺寸图像时可能会消耗较多的时间和内存。
五、展望
随着计算机视觉和图像处理技术的不断发展cv2.detailEnhance 或类似的图像细节增强算法将会得到进一步的改进和优化。未来可以针对其局限性进行改进如加强对过度曝光或过度阴影图像的处理能力优化算法性能提高处理效率等。同时结合深度学习技术可以进一步提高图像细节增强的效果使其在更多领域得到应用。
cv2.edgePreservingFilter
cv2.edgePreservingFilter 是 OpenCV 库中的一个函数用于实现边缘保留滤波Edge Preserving FilterEPF。这种滤波技术在平滑图像噪声的同时能够尽可能地保留图像的边缘信息从而避免图像边缘的模糊。
一、函数原型 在 Python 中使用 OpenCV 时cv2.edgePreservingFilter 函数的原型大致如下注意
python
cv2.edgePreservingFilter(src, dstNone, flags1, sigma_s60, sigma_r0.4)二、参数解释
src输入图像应为8位3通道图像。dst输出图像与输入图像具有相同的尺寸和类型。这是一个可选参数如果不提供函数将返回一个新的图像。flags滤波器类型是一个整数。常用的值有 cv2.RECURS_FILTER递归滤波和 cv2.NORMCONV_FILTER归一化卷积滤波。递归滤波通常比归一化卷积滤波更快但归一化卷积滤波可能会产生更锐化的边缘。sigma_s控制空间邻域大小的参数其值越大平滑效果越明显边缘保持效果可能减弱。通常的取值范围在0到200之间。sigma_r控制颜色相似性的参数其值越大颜色变化较大的区域越容易被平滑边缘保持效果也可能减弱。通常的取值范围在0到1之间。
三、工作原理
cv2.edgePreservingFilter 通过结合空间域和颜色域的信息来实现边缘保留滤波。在平滑图像时它会考虑像素之间的空间距离和颜色差异。对于空间距离较近且颜色相似的像素滤波器会倾向于将它们平滑处理而对于颜色差异较大的像素即边缘滤波器则会尽量保留其原有的颜色信息从而避免边缘的模糊。
四、应用场景
边缘保留滤波在图像处理中有广泛的应用包括但不限于
图像去噪在去除图像噪声的同时保持图像的边缘信息使图像看起来更加清晰。图像增强通过平滑图像的非边缘区域增强图像的对比度使图像更加鲜明。计算机视觉在目标检测、图像分割等任务中边缘信息的保留对于提高算法的准确性至关重要。
五、注意事项
在使用 cv2.edgePreservingFilter 函数时需要根据具体的应用场景和图像特性调整 sigma_s 和 sigma_r 参数以达到最佳的滤波效果。由于边缘保留滤波涉及到复杂的计算因此处理大尺寸图像时可能会消耗较多的计算资源和时间。OpenCV 的不同版本之间可能存在函数参数和性能的差异因此在使用时请参考您所使用的 OpenCV 版本的官方文档。
