Python

2023-08-31 20:44| 来源: 网络整理| 查看: 265

项目获取一批图像数据，由于采集设备GOPRO本身和拍摄时的参数设置的问题导致数据成像质量很差，需要进行图像处理。

数据存在图像色彩不均匀、图像上有渐变纹（不知道术语，暂时如此描述）、偏暗等情况，几张样例如下：

此博客记录处理过程，并贴出相关的代码。

1.直方图均衡-效果不好

import cv2 img = cv2.imread('') # cv2.imshow("src", img) # 彩色图像均衡化,需要分解通道对每一个通道均衡化 (b, g, r) = cv2.split(img) bH = cv2.equalizeHist(b) gH = cv2.equalizeHist(g) rH = cv2.equalizeHist(r) # 合并每一个通道 result = cv2.merge((bH, gH, rH)) # cv2.imshow("dst", result) cv2.imwrite('', result)

2.对比度、亮度：

3.色调调节-部分图片整体偏绿，将图像通道分离，对g通道单独调整：

4.曝光调整

对比度/亮度/色调/曝光调整对不同的图片需要设置不同的参数，很难对全部数据集处理，对图片的渐变纹也无法取得很好的效果，使用cv2.createTrackbar()交互调整不同的对比度/亮度/色调/曝光参数，代码如下：

import cv2 import numpy as np import os def gamma_trans(img, gamma): # gamma函数处理 gamma_table = [np.power(x / 255.0, gamma) * 255.0 for x in range(256)] # 建立映射表-(Color/255)^R*255 # 当gamma > 1时,颜色空间的数值在变换后整体下降，R越大，颜色数值下降得越明显，宏观的表现为图片亮度下降增加 # 当0 < R < 1时，颜色空间的数值在变换后整体上升，R越小，颜色数值上升得越明显，宏观的表现为图片亮度上升增加 gamma_table = np.round(np.array(gamma_table)).astype(np.uint8) # 颜色值为整数 return cv2.LUT(img, gamma_table) # 图片颜色查表。另外可以根据光强（颜色）均匀化原则设计自适应算法。 # 通过LUT，我们可以将一组RGB值输出为另一组RGB值，从而改变画面的曝光与色彩 def nothing(x): pass cv2.namedWindow("demo", 0) # 将显示窗口的大小适应于显示器的分辨率 cv2.createTrackbar('Value of Gamma', 'demo', 100, 1000, nothing) # 使用滑动条动态调节参数gamma cv2.createTrackbar('bt', 'demo', 100, 120, nothing) # 使用滑动条动态调节参数b cv2.createTrackbar('gt', 'demo', 95, 120, nothing) # 使用滑动条动态调节参数g cv2.createTrackbar('rt', 'demo', 100, 120, nothing) # 使用滑动条动态调节参数r cv2.createTrackbar('contrast', 'demo', 100, 300, nothing) # 使用滑动条动态调节参数对比度 cv2.createTrackbar('brightness', 'demo', 0, 200, nothing) # 使用滑动条动态调节参数亮度 data_base_dir = '' # 输入文件夹的路径 outfile_dir = '' # 输出文件夹的路径 print("press enter to make sure your operation and process the next picture") list = os.listdir(data_base_dir) list.sort() list2 = os.listdir(outfile_dir) list2.sort() for file in list: # 遍历目标文件夹图片 read_img_name = data_base_dir + '/' + file.strip() # 取图片完整路径 image = cv2.imread(read_img_name) # 读入图片 # image = np.rot90(image,-1) while (1): value_of_gamma = float(cv2.getTrackbarPos('Value of Gamma', 'demo') * 0.01) # gamma取值 bt = float(cv2.getTrackbarPos('bt', 'demo') * 0.01) # bt取值 gt = float(cv2.getTrackbarPos('gt', 'demo') * 0.01) # gt取值 rt = float(cv2.getTrackbarPos('rt', 'demo') * 0.01) # rt取值 contrast = float(cv2.getTrackbarPos('contrast', 'demo') * 0.01) # rt取值 brightness = cv2.getTrackbarPos('brightness', 'demo') b, g, r = cv2.split(image) image_hue_correct = cv2.merge([np.uint8(b * bt), np.uint8(g * gt), np.uint8(r * rt)]) image_gamma_correct = gamma_trans(image_hue_correct, value_of_gamma) # value_of_gamma大于1曝光度下降，大于0小于1曝光度增强 img_cb_adj = np.uint8(np.clip((contrast * image_gamma_correct + brightness), 0, 255)) cv2.imshow("demo", img_cb_adj) k = cv2.waitKey(1) if k == 13: # 按回车键确认处理、保存图片到输出文件夹和读取下一张图片 out_img_name = outfile_dir + '/' + file.strip() cv2.imwrite(out_img_name, image_gamma_correct) print("The photo which is processed is {}".format(file)) break

如果对每一张图片都手动调整，工作量巨大，寻找自适应的处理方法。

5.滤波-能想到不是噪声的问题，但还是尝试了一下，结果确实没效果

import cv2 img = cv2.imread('') result_path = '' # 均值滤波 img_mean = cv2.blur(img, (5,5)) cv2.imwrite(result_path + '/' + 'GOPR0750_mean.JPG', img_mean) # 高斯滤波 img_Guassian = cv2.GaussianBlur(img,(5,5),0) cv2.imwrite(result_path + '/' + 'GOPR0750_Guassian.JPG', img_Guassian) # 中值滤波 img_median = cv2.medianBlur(img, 5) cv2.imwrite(result_path + '/' + 'GOPR0750_median.JPG', img_median) # 双边滤波 img_bilater = cv2.bilateralFilter(img,9,75,75) cv2.imwrite(result_path + '/' + 'GOPR0750_bilater.JPG', img_bilater)

6.自动gamma校正-利用图像均值计算gamma，效果甚微：

import cv2 import numpy as np import math import os def gamma_trans(img, gamma): # gamma函数处理 gamma_table = [np.power(x / 255.0, gamma) * 255.0 for x in range(256)] # 建立映射表 gamma_table = np.round(np.array(gamma_table)).astype(np.uint8) # 颜色值为整数 return cv2.LUT(img, gamma_table) # 图片颜色查表。另外可以根据光强（颜色）均匀化原则设计自适应算法。 def nothing(x): pass data_base_dir = '' # 输入文件夹的路径 outfile_dir = '' # 输出文件夹的路径 list = os.listdir(data_base_dir) list.sort() list2 = os.listdir(outfile_dir) list2.sort() for file in list: # 遍历目标文件夹图片 read_img_name = data_base_dir + '/' + file.strip() # 取图片完整路径 image = cv2.imread(read_img_name) # 读入图片 img_gray = cv2.imread(read_img_name, 0) # 灰度图读取，用于计算gamma值 mean = np.mean(img_gray) gamma_val = math.log10(0.5) / math.log10(mean / 255) # 公式计算gamma image_gamma_correct = gamma_trans(image, gamma_val) # gamma变换 out_img_name = outfile_dir + '/' + file.strip() cv2.imwrite(out_img_name, image_gamma_correct) print("The photo which is processed is {}".format(file))

7.基于二维伽马函数的光照不均匀图像自适应校正算法-效果不好

import cv2 import math import numpy as np from skimage import color import os path = '' outfile_dir = '' # 获取该文件夹中的所有文件 files = os.listdir(path) # 定义一个全局参数用于对输出图片命名 global i i = 1 # 参数 HSIZE = 25 q = math.sqrt(2) SIGMA1 = 15 SIGMA2 = 80 SIGMA3 = 250 # 对所有文件进行遍历处理 for file in files: # 判断file是否为文件夹 if not os.path.isdir(file): # 读取图片 im = cv2.imread(path + '/' + file.strip()) hsv = color.rgb2hsv(im) # 分离hsv通道 h, s, v = cv2.split(hsv) # 对亮度v通道进行不同参数的高斯滤波 F1 = cv2.GaussianBlur(v, (HSIZE, HSIZE), SIGMA1 / q, HSIZE) F2 = cv2.GaussianBlur(v, (HSIZE, HSIZE), SIGMA2 / q, HSIZE) F3 = cv2.GaussianBlur(v, (HSIZE, HSIZE), SIGMA3 / q, HSIZE) # 取每个滤波后的平均值 gaus = (F1 + F2 + F3) / 3 # 获取亮度通道的平均值，便于跟原亮度进行比较 m = np.mean(gaus) # 获取亮度通道的宽和高 w, height = np.shape(v) out = np.zeros(np.size(v)) # 进行gama变换 gama = np.power(0.5, ((m - gaus) / m)) out = (np.power(v, gama)) hsv1 = cv2.merge([h, s, out]) rgb = color.hsv2rgb(hsv1) rgb = rgb / rgb.max() rgb = 255 * rgb rgb = rgb.astype(np.uint8) # 将结果输出到文件夹中保存 cv2.imwrite(outfile_dir + '/' + file.strip(), rgb) v1 = out mini = v - v1 p = np.mean(mini) print(str(i) + ':' + str(p)) i = i + 1

8.带色彩恢复的多尺度视网膜增强算法MSRCR-效果相对较好

参考：https://blog.csdn.net/ajianyingxiaoqinghan/article/details/71435098

代码：https://github.com/falrom/MSRCR_Python

效果如图：

【本文地址】

公司简介

联系我们

今日新闻

推荐新闻

专题文章