【OpenCV实现图像:用OpenCV图像处理技巧之白平衡算法】 | 您所在的位置:网站首页 › 白平衡及常用算法 › 【OpenCV实现图像:用OpenCV图像处理技巧之白平衡算法】 |
文章目录
概要加载样例图像统计数据分析White Patch Algorithm小结
概要
白平衡技术在摄影和图像处理中扮演着至关重要的角色。在不同的光照条件下,相机可能无法准确地捕捉到物体的真实颜色,导致图像呈现出暗淡、色调不自然或者褪色的效果。为了解决这个问题,我们需要了解和应用白平衡技术。 白平衡的重要性 在日常生活中,我们经常会遇到不同光源下拍摄的照片,比如在室内使用白炽灯、荧光灯,或者在室外阳光下拍摄。不同类型的光源会产生不同色温的光线,而相机可能无法自动适应这些光线的差异。这就导致了照片中的颜色看起来不真实,不符合我们的视觉感受。 白平衡的原理 白平衡技术的基本原理是通过调整图像中各个颜色通道的增益,使得图像中的灰度区域呈现出中性灰色。简单来说,就是让白色看起来像白色,黑色看起来像黑色。这样一来,不同光源下拍摄的图像就能更准确地还原物体的真实颜色。 白平衡的调整方法 预设白平衡模式: 相机通常提供了一些预设的白平衡模式,比如日光、阴天、荧光灯、白炽灯等。选择合适的预设模式可以在一定程度上改善图像的颜色偏差。 手动白平衡: 在一些相机中,我们可以手动设置白平衡。这通常需要在拍摄场景中放置一个白色卡片,让相机通过这个参考物体来调整白平衡。 后期处理: 在图像处理软件中,我们也可以进行白平衡的调整。通过调整图像的色温、色调和饱和度等参数,我们可以更精细地控制图像的颜色效果。白平衡技术的应用 白平衡技术不仅在摄影中应用广泛,在图像处理、广告设计、艺术创作等领域也有重要作用。在商品拍摄、人像摄影、风景摄影等各种场景中,合适的白平衡调整能够提高照片的质量,使其更具吸引力和真实感。 白平衡是一项用于校正由不同照明条件引起的图像颜色偏差的技术。它通过调整图像的颜色对比度,使白色看起来像白色,使黑色看起来像黑色。这个过程非常重要,因为它确保了图像中的颜色是准确的,同时也使图像对人眼来说看起来更加自然。 加载样例图像 # 导入必要的Python库 import numpy as np import pandas as pd import matplotlib.pyplot as plt from skimage import io, img_as_ubyte from skimage.io import imread, imshow from matplotlib.patches import Rectangle # 加载样例图像 from skimage import io import matplotlib.pyplot as plt # 读取图像文件 image = io.imread(r'E:\yolo项目\Opencv-project-main\Opencv-project-main\CVZone\img.png') # 显示原始图像 plt.figure(figsize=(10,10)) plt.title('Original Image') # 设置图像标题 plt.imshow(image) # 显示图像 plt.show() # 显示图像结果: 定义了一个函数 calc_color_overcast(image),该函数用于计算图像中每个颜色通道(红色、绿色、蓝色)的统计信息,包括均值、标准差、最小值、中位数、80th、90th、99th 百分位数以及最大值。这些信息对于分析图像的颜色特性非常有用。 结果: 白色补丁算法是图像处理中常用的一种颜色平衡方法。其目标是通过缩放图像的颜色通道,使得每个通道中最亮的像素变为白色。这一方法基于假设:图像中最亮的像素应当代表白色。通过调整每个通道的亮度,算法可以校正图像的颜色投射,实现图像的白平衡。 # 导入必要的Python库 import numpy as np import pandas as pd import matplotlib.pyplot as plt from skimage import io, img_as_ubyte from skimage.io import imread, imshow from matplotlib.patches import Rectangle # 加载样例图像 from skimage import io import matplotlib.pyplot as plt # 读取图像文件 def white_patch(image, percentile=100): """ Returns a plot comparison of original and corrected/white balanced image using the White Patch algorithm. Parameters ---------- image : numpy array Image to process using white patch algorithm percentile : integer, optional Percentile value to consider as channel maximum """ white_patch_image = img_as_ubyte( (image * 1.0 / np.percentile(image, percentile, axis=(0, 1))).clip(0, 1)) # Plot the comparison between the original and white patch corrected images fig, ax = plt.subplots(1, 2, figsize=(10, 10)) ax[0].imshow(image) ax[0].set_title('Original Image') ax[0].axis('off') ax[1].imshow(white_patch_image, cmap='gray') ax[1].set_title('White Patch Corrected Image') ax[1].axis('off') plt.show() # Read the input image image = imread(r'E:\yolo项目\Opencv-project-main\Opencv-project-main\CVZone\img.png') # Call the function to implement white patch algorithm white_patch(image, 100)
为了解决这个问题,我们可以考虑将像素值的较低百分位数视为最大值,而不是绝对的最大值。 white_patch(image, 85)结果: 优点: 简单易用:白色补丁算法的实现相对简单,易于理解和操作。这使得它成为修复图像白平衡问题的一种便捷选择,尤其是对于那些不需要复杂操作的场景。 针对特定场景有效:该算法在处理具有主要白色区域或中性灰色区域的图像时非常有效。特别是当图像中存在明显的明亮区域时,白色补丁算法可以显著地改善图像的色彩平衡问题,使图像更加清晰和自然。 适用性广泛:白色补丁算法可以广泛应用于各种场景,包括摄影、图像处理等领域。它不仅适用于专业摄影师,也可以被普通用户用于简单的图像修复工作。缺点: 假设限制:算法的核心假设是图像中最亮的颜色是白色,然而,在实际场景中,图像中的最亮颜色可能是其他颜色。当这一假设不成立时,白色补丁算法的效果可能受到限制,无法完全修复图像的白平衡问题。 过度校正风险:如果算法的假设不成立,可能会导致过度校正,使图像出现不自然的颜色或伪影。过度校正可能会引入新的问题,影响图像的质量和真实性。 颜色偏移和伪影:由于算法的基本假设,即图像中最亮的区域是白色,可能会导致图像的某些区域出现颜色偏移或伪影。这种现象可能在图像的边缘或高光区域更为明显,影响整体视觉效果。在一些特殊场景下,这种颜色偏移和伪影可能会对图像的真实性产生负面影响。在使用白色补丁算法时,用户需要根据具体情况权衡其优点和缺点,确保选择合适的场景和图像以获得最佳的修复效果。 |
CopyRight 2018-2019 实验室设备网 版权所有 |