基于OpenCV的圖像陰影去除

目標(biāo)檢測(cè)圖像數(shù)據(jù)集：15個(gè)目標(biāo)檢測(cè)開(kāi)源數(shù)據(jù)集匯總

我們經(jīng)常需要通過(guò)掃描將紙上的全部?jī)?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(dòng)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(wú)需任何應(yīng)用程序即可在幾秒鐘內(nèi)獲得輸出。這個(gè)代碼可以通過(guò)Numpy和OpenCV基本函數(shù)來(lái)實(shí)現(xiàn)。為了說(shuō)明該過(guò)程，使用了以下圖像進(jìn)行操作。

1.圖像中有一個(gè)非常明顯的陰影需要?jiǎng)h除。首先當(dāng)然是將必要的軟件包導(dǎo)入環(huán)境。

import?cv2
import?numpy?as?np
import?matplotlib.pyplot?as?plt

2.刪除陰影時(shí)，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(duì)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(guò)濾和最小過(guò)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(xiě)的算法應(yīng)該逐個(gè)遍歷I的像素，并且對(duì)于每個(gè)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(xiě)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。現(xiàn)在讓我們通過(guò)代碼來(lái)實(shí)現(xiàn)這個(gè)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(gè)“墻”（帶有-1的填充），當(dāng)我們遍歷邊緣像素時(shí)會(huì)有所幫助。

• 然后，我們創(chuàng)建一個(gè)“ temp”變量，將計(jì)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(gè)窗口。

• 然后，我們使用“ amax（）”函數(shù)在該窗口中計(jì)算最大值，并將該值寫(xiě)入temp數(shù)組。

• 我們將該臨時(shí)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]?=?num
????A?=?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(méi)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(xiě)入B中的（x，y）。所得圖像B稱為圖像I的經(jīng)過(guò)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_min
????B?=?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(guò)濾，這將為我們提供增強(qiáng)的背景，并將該最大過(guò)濾后的圖像傳遞給最小過(guò)濾功能，該功能將負(fù)責(zé)實(shí)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?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

7.變量N（用于過(guò)濾的窗口大小）將根據(jù)圖像中粒子或內(nèi)容的大小進(jìn)行更改。對(duì)于測(cè)試圖像，選擇大小N = 20。增強(qiáng)后的最終輸出圖像如下所示：

輸出圖像相較于原始圖像已經(jīng)沒(méi)有任何的陰影啦。

代碼鏈接：https://github.com/kavyamusty/Shading-removal-of-images

公眾號(hào)后臺(tái)回復(fù)“數(shù)據(jù)集”獲取30+深度學(xué)習(xí)數(shù)據(jù)集下載～