基于OpenCV的圖像陰影去除
點擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”
重磅干貨，第一時間送達(dá)
我們經(jīng)常需要通過掃描將紙上的全部內(nèi)容轉(zhuǎn)換為圖像。有很多在線工具可以提高圖像的亮度，或者消除圖像中的陰影。但是我們可以手動刪除陰影嗎？當(dāng)然可以，我們只需要將圖像加載到相應(yīng)的代碼中，無需任何應(yīng)用程序即可在幾秒鐘內(nèi)獲得輸出。這個代碼可以通過Numpy和OpenCV基本函數(shù)來實現(xiàn)。為了說明該過程，使用了以下圖像進(jìn)行操作。
Test_image
1.圖像中有一個非常明顯的陰影需要刪除。首先當(dāng)然是將必要的軟件包導(dǎo)入環(huán)境。
import cv2import numpy as npimport matplotlib.pyplot as plt
2.刪除陰影時，有兩件事要注意。由于圖像是灰度圖像，如果圖像背景較淺且對象較暗，則必須先執(zhí)行最大濾波，然后再執(zhí)行最小濾波。如果圖像背景較暗且物體較亮，我們可以先執(zhí)行最小濾波，然后再進(jìn)行最大濾波。
那么，最大過濾和最小過濾到底是什么？
3.最大濾波：讓我們假設(shè)我們有一定大小的圖像I。我們編寫的算法應(yīng)該逐個遍歷I的像素，并且對于每個像素（x，y），它必須找到該像素周圍的鄰域（大小為N x N的窗口）中的最大灰度值，并進(jìn)行寫入A中相應(yīng)像素位置（x，y）的最大灰度值。所得圖像A稱為輸入圖像I的最大濾波圖像?，F(xiàn)在讓我們通過代碼來實現(xiàn)這個概念。
max_filtering（）函數(shù)接受輸入圖像和窗口大小N。
它最初在輸入數(shù)組周圍創(chuàng)建一個“墻”（帶有-1的填充），當(dāng)我們遍歷邊緣像素時會有所幫助。
然后，我們創(chuàng)建一個“ temp”變量，將計算出的最大值復(fù)制到其中。
然后，我們遍歷該數(shù)組并圍繞大小為N x N的當(dāng)前像素創(chuàng)建一個窗口。
然后，我們使用“ amax（）”函數(shù)在該窗口中計算最大值，并將該值寫入temp數(shù)組。
我們將該臨時數(shù)組復(fù)制到主數(shù)組A中，并將其作為輸出返回。
A是輸入I的最大濾波圖像。
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] = numA = temp[(N//2):wall.shape[0]-(N//2), (N//2):wall.shape[1]-(N//2)].copy()return A
4.最小濾波：此算法與最大濾波完全相同，但是我們沒有找到附近的最大灰度值，而是在該像素周圍的N x N鄰域中找到了最小值，并將該最小灰度值寫入B中的（x，y）。所得圖像B稱為圖像I的經(jīng)過最小濾波的圖像，代碼如下。
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_minB = temp_min[(N//2):wall_min.shape[0]-(N//2), (N//2):wall_min.shape[1]-(N//2)].copy()return B
5.因此，如果圖像的背景較淺，我們要先執(zhí)行最大過濾，這將為我們提供增強(qiáng)的背景，并將該最大過濾后的圖像傳遞給最小過濾功能，該功能將負(fù)責(zé)實際的內(nèi)容增強(qiáng)。
6.因此，執(zhí)行最小-最大濾波后，我們獲得的值不在0-255的范圍內(nèi)。因此，我們必須歸一化使用背景減法獲得的最終陣列，該方法是將原始圖像減去最小-最大濾波圖像，以獲得去除陰影的最終圖像。
#B is the filtered image and I is the original imagedef background_subtraction(I, B):O = I - Bnorm_img = cv2.normalize(O, None, 0,255, norm_type=cv2.NORM_MINMAX)return norm_img
7.變量N（用于過濾的窗口大?。⒏鶕?jù)圖像中粒子或內(nèi)容的大小進(jìn)行更改。對于測試圖像，選擇大小N = 20。增強(qiáng)后的最終輸出圖像如下所示：
Test_image_output
輸出圖像相較于原始圖像已經(jīng)沒有任何的陰影啦。
代碼鏈接：https://github.com/kavyamusty/Shading-removal-of-images
下載1：何愷明頂會分享
在「AI算法與圖像處理」公眾號后臺回復(fù)：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經(jīng)典工作的總結(jié)分析
下載2：leetcode 開源書
在「AI算法與圖像處理」公眾號后臺回復(fù)：leetcode，即可下載。每題都 runtime beats 100% 的開源好書，你值得擁有！
下載3 CVPR2020
在「AI算法與圖像處理」公眾號后臺回復(fù)：CVPR2020，即可下載1467篇CVPR 2020論文 個人微信（如果沒有備注不拉群！） 請注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱
覺得不錯就點亮在看吧
