使用Numpy+OpenCV来增强灰度图像

资讯 4年前

1.78K

在日常生活中,我们经常会扫描纸张把它们转换成图像,但这些图像往往存在阴影,我们有各种各样的工具可以在线增强这些图像,使它们的亮度更亮,并消除这些图像中的阴影。那有没有方法可以手动去除阴影呢?比如我们可以将任何图像作为灰度图像加载到我们的代码中,并在几秒钟内获得输出,而无需任何应用程序的帮助

在日常生活中,我们经常会扫描纸张把它们转换成图像,但这些图像往往存在阴影,我们有各种各样的工具可以在线增强这些图像,使它们的亮度更亮,并消除这些图像中的阴影。那有没有方法可以手动去除阴影呢?比如我们可以将任何图像作为灰度图像加载到我们的代码中,并在几秒钟内获得输出,而无需任何应用程序的帮助。这是可以通过使用基本的Numpy操作和一些openCV函数来实现。我们使用了下面的图片作为例子,它是用手机拍的。

很明显,它有一个阴影需要删除。将必要的软件包导入你的环境。为了易于显示图像,我们使用Jupyter Notebook。import cv2
import numpy as np
import matplotlib．pyplot as plt

删除阴影时,有两件事要注意。

(1)由于图像是灰度图像,如果图像背景较浅且对象较暗,则必须先执行最大值滤波,然后再执行最小值滤波;(2)如果图像背景较暗且物体较亮,我们可以先执行最小值滤波,然后再进行最大值滤波。那么,最大值滤波和最小值滤波到底是什么呢?最大值滤波:假设我们有一个特定大小的图像 I ,我们编写的算法应逐个遍历 I 的像素,并且对于每个像素(x,y)都必须找到该像素周围的邻域(大小为N x N的窗口)中的最大灰度值,并将该最大灰度值写入A中相应的像素位置(x,y),所得图像 A 称为输入图像 I 的最大值滤波图像。让我们在代码中实现这个过程。max_filtering()函数接受输入图像和窗口大小N。它最初在输入数组周围创建一个“wall”(带有-1的填充),当我们遍历边缘像素时会使用这个数据。然后,我们创建一个“ temp”变量,将计算出的最大值复制到该变量中。然后,我们遍历数组,并围绕当前像素大小N x N创建一个窗口。然后,我们使用“ amax()”函数在该窗口中计算最大值,并将该值写入temp数组。我们将该临时数组复制到主数组A中,并将其作为输出返回。A是输入I的最大值滤波图像。def max_filtering(N, I_temp):
wall = np．full((I_temp．shape[0]+(N//2)*2, I_temp．shape[1]+(N//2)*2), -1)
wall[(N//2):wall．shape[0]-(N//2), (N//2):wall．shape[1]-(N//2)] = I_temp．copy()
temp = np．full((I_temp．shape[0]+(N//2)*2, I_temp．shape[1]+(N//2)*2), -1)
for y in range(0,wall．shape[0]):
for x in range(0,wall．shape[1]):
if wall[y,x]!=-1:
window = wall[y-(N//2):y+(N//2)+1,x-(N//2):x+(N//2)+1]
num = np．amax(window)
temp[y,x] = num
A = temp[(N//2):wall．shape[0]-(N//2), (N//2):wall．shape[1]-(N//2)]．copy()
return A

最小值滤波:此算法与最大值滤波完全相同,区别在于我们不再去找邻近的最大灰度值,而是找该像素周围N x N邻近的最小值,并将该最小灰度值写入B中的(x,y),所得的图像 B 称为图像 I 的经过最小值滤波的图像。让我们对该过程进行编码。def min_filtering(N, A):
wall_min = np．full((A．shape[0]+(N//2)*2, A．shape[1]+(N//2)*2), 300)
wall_min[(N//2):wall_min．shape[0]-(N//2), (N//2):wall_min．shape[1]-(N//2)] = A．copy()
temp_min = np．full((A．shape[0]+(N//2)*2, A．shape[1]+(N//2)*2), 300)
for y in range(0,wall_min．shape[0]):
for x in range(0,wall_min．shape[1]):
if wall_min[y,x]!=300:
window_min = wall_min[y-(N//2):y+(N//2)+1,x-(N//2):x+(N//2)+1]
num_min = np．amin(window_min)
temp_min[y,x] = num_min
B = temp_min[(N//2):wall_min．shape[0]-(N//2), (N//2):wall_min．shape[1]-(N//2)]．copy()
return B

因此,如果图像的背景较浅,我们要先执行最大值滤波,这会为我们提供增强的背景,并将该最大值滤波后的图像传递给最小值滤波函数,该函数将负责实际的内容增强。执行最小-最大值滤波后,我们获得的值不在0-255的范围内,所以我们必须归一化使用背景减法获得的最终阵列,该方法是用原始图像减去最小最大值滤波后的图像,以获得去除了阴影的最终图像。#B is the filtered image and I is the original image
def background_subtraction(I, B):
O = I - B
norm_img = cv2．normalize(O, None, 0,255, norm_type=cv2．NORM_MINMAX)
return norm_img

变量N(用于过滤的窗口大小)将根据图像中粒子或内容的大小进行更改。对于测试图像,选择大小N = 20。增强后的最终输出图像如下所示: