目录
系列文章目录
一、实验内容与方法
二、图像的加噪
1.高斯噪声
2.椒盐噪声
三、图像的去/降噪
1.均值滤波
2.中值滤波
四、直方图与均衡化
1.直方图
2.直方图均衡化
五、灰度图均衡化
1.非调库均衡化
2. 调库均衡化
六、彩图均衡化
1.拆分合并均衡化
2.库函数均衡化
3.HSI模型RGB模型互换均衡化
七、图像增强
八、参考资料
总结
系列文章目录
实验一:图像去噪及直方图均衡化完整代码:李忆如 – Gitee.com
本系列博客重点在计算机视觉的概念原理与代码实践,不包含繁琐的数学推导(有问题欢迎在评论区讨论指出,或直接私信联系我)。
第一章计算机视觉——图像去噪及直方图均衡化(图像增强)
梗概
本篇博客主要介绍灰度图与彩图的图像表示,各种图像噪声的增加,去/降噪的方法,自定义实现不同图像的直方图构建与均衡化,并与opencv库的效果进行比较分析(内附python代码)
一、实验内容与方法
实验内容:选用一到两幅图像,不调用库函数,自己动手编程实现图像的去噪(自己添加高斯噪声及椒盐噪声)及直方图均衡化,并与OpenCV的库函数进行效果对比分析;
实验图片:实验选取图片如图1与图2所示:
二、图像的加噪
图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。根据其概率分布与产生方式可以分为不同类型,本次实验以高斯噪声与椒盐噪声为例。
1.高斯噪声
高斯噪声:是指服从高斯分布(正态分布)的一类噪声,通常是因为不良照明和高温引起的传感器噪声。
加入高斯噪声的代码实现(以灰度图的加噪为例)如下:
def gaussian_noise(img, mean, sigma): """ 此函数用将产生的高斯噪声加到图片上 传入: img : 原图 mean : 均值 sigma : 标准差 返回: gaussian_out : 噪声处理后的图片 """ # 将图片灰度标准化 img = img / 255 # 产生高斯 noise noise = np.random.normal(mean, sigma, img.shape) # 将噪声和图片叠加 gaussian_out = img + noise # 将超过 1 的置 1,低于 0 的置 0 gaussian_out = np.clip(gaussian_out, 0, 1) # 将图片灰度范围的恢复为 0-255 gaussian_out = np.uint8(gaussian_out * 255) # 将噪声范围搞为 0-255 # noise = np.uint8(noise*255) return gaussian_out # 这里也会返回噪声,注意返回值
图1的待实验图片加入高斯噪声(以mean = 0 , sigma = 0.1为例)前后如图所示
2.椒盐噪声
椒盐噪声:椒盐噪声就是给图片添加黑白噪点
,椒指的是黑色的噪点
(0,0,0)
盐指的是白色的噪点
(255,255,255)
,通过设置amount
来控制添加噪声的比例,值越大添加的噪声越多,图像损坏的更加严重。
加入椒盐噪声的代码实现(以灰度图的加噪为例)如下:
def sp_noise(noise_img, proportion): """ 添加椒盐噪声 proportion的值表示加入噪声的量,可根据需要自行调整 return: img_noise """ height, width = noise_img.shape[0], \ noise_img.shape[1] # 获取高度宽度像素值 num = int(height * width * proportion) # 一个准备加入多少噪声小点 for i in range(num): w = random.randint(0, width - 1) h = random.randint(0, height - 1) if random.randint(0, 1) == 0: noise_img[h, w] = 0 else: noise_img[h, w] = 255 return noise_img
图1的待实验图片加入高斯噪声(以mean = 0 , sigma = 0.1为例)与椒盐噪声(proportion = 0.1为例)前后如图所示。
三、图像的去/降噪
噪声的存在严重影响了遥感图像的质量,因此在图像增强处理和分类处理之前,必须使用图像的去/降噪方法予以纠正。本实验以中值滤波与均值滤波为例。
1.均值滤波
包含在滤波器领域内像素的平均值,本质上就是对目标像素及周边像素取平均值后再填会目标像素来实现滤波目的的方法,加权平均公式如图所示。
使用均值滤波器的代码实现(以灰度图的线性非加权降噪为例)如下:
# 均值降噪转换器def convert_2d(r): n = 3 # 3*3 滤波器, 每个系数都是 1/9 window = np.ones((n, n)) / n ** 2 # 使用滤波器卷积图像 # mode = same 表示输出尺寸等于输入尺寸 # boundary 表示采用对称边界条件处理图像边缘 s = scipy.signal.convolve2d(r, window, mode='same', boundary='symm') return s.astype(np.uint8)
加入高斯噪声(以mean = 0 , sigma = 0.1为例)与椒盐噪声(proportion = 0.1为例)的图1的待实验图片降噪前后如图所示。
分析:从图可见,线性非加权的均值滤波器降噪效果较差,且滤波后图像模糊,丢失较多信息,因此实际使用时一般使用加权均值滤波器或其他滤波器。
2.中值滤波
类似均值滤波的方法,用像素领域内的中间值代替该像素,公式与原理如0所示。
使用中值滤波器的代码实现(以灰度图的降噪为例)如下:
# 自定义中值降噪滤波器def medium_filter(im, x, y, step): sum_s = [] for k in range(-int(step / 2), int(step / 2) + 1): for m in range(-int(step / 2), int(step / 2) + 1): sum_s.append(im[x + k][y + m]) sum_s.sort() return sum_s[(int(step * step / 2) + 1)]
加入高斯噪声(以mean = 0 , sigma = 0.1为例)与椒盐噪声(proportion = 0.1为例)的图1的待实验图片降噪前后如图所示。
分析:从图可见,图片中噪点明显减少,证明中值滤波器降噪效果较好(相对均值滤波器),且滤波在去除噪音的同时,可以比较好地保留边的锐度和图像的细节,因此本实验去/降噪方法最终使用中值滤波器。
四、直方图与均衡化
1.直方图
直方图:在图像处理中,也经常需要分析图像的亮度(即像素级的分布情况),这就需要用到直方图了,如颜色直方图、灰度直方图等。
直方图通过对灰度级在范围[0,L-1]的数字图像(彩图分解RGB)使用如图的离散函数+归一化后构造的。
直方图构造(以灰度图为例)核心代码如下:
def histogram(Image): # 灰度图像直方图统计 im = Image a = [0] * 256 # 构造储存像素数的一维数组 w = im.shape[0] # 得到图像的宽高 h = im.shape[1] for i in range(w): # 遍历所有像素点统计 for j in range(h): gray = im[i, j] a[gray] += 1 y = a # y表示灰度值的像素个数 x = [i for i in range(256)] # x表示0-256的灰度
图1(原图)与图2(原图)的直方图如图所示。
2.直方图均衡化
直方图均衡化:把一个已知灰度概率密度分布的图像经过一种灰度变换(变换函数的离散形式如图所示),使之演变为一幅具有均匀灰度概率密度分布(且尽量占满全部灰度)的新图像,以此增加了像素灰度值的动态范围从而达到增强图像整体对比度的效果。
直方图均衡化的实现步骤如图所示
五、灰度图均衡化
1.非调库均衡化
根据直方图与均衡化的定义对降噪后的图1进行直方图构建与均衡化,非调库灰度图均衡化代码实现如下:
def homogenisation(a, Image): # 均衡化函数:a--灰度像素数,Image--图片 im = array(Image) b = [0] * 256 # 储存灰度像素所占的比例 c = [0] * 256 # 储存累计分布概率 w = im.shape[0] # 图像的宽和高 h = im.shape[1] mn = w * h # mn表示像素点总数 for i in range(len(a)): # 计算灰度分布密度 b[i] = a[i] / mn for i in range(len(c)): # 计算累计分布密度c和累计直方图数据a if i == 1: c[i] = b[i] else: c[i] = c[i - 1] + b[i] a[i] = int(255 * c[i]) for i in range(w): # 更新每一个像素点的灰度值 for j in range(h): im[i, j] = a[Image[i, j]] return im
均衡化前后直方图如图所示:
均衡化前后图片如图所示:
分析:根据图可见,均衡化后直方图灰度分布均匀且基本占满所有可能灰度,满足相关定义,观察图,均衡化后图片对比度增强,可见细节增加,满足预期,均衡化成功。
2. 调库均衡化
Python中Opencv(cv2)库中灰度均衡化函数为cv2.equalizeHist(img),返回的即为均衡化后的灰度图像。
六、彩图均衡化
彩图本质是为RGB三通道图,均衡化时可根据不同考虑使用不同方法均衡化,本实验以拆分合并(复现库函数)、HSI模型RGB模型互换、库函数三种方式为例实现彩图均衡化。
1.拆分合并均衡化
核心原理(类似opencv库函数):先将彩图RGB三通道拆分,采取类似灰度均衡化的方法对每一通道进行均衡化,最后进行通道合并,得到均衡化后的彩图,核心代码如下:
def my_equalizehist(single): hist = cv.calcHist([single], [0], None, [256], [0, 256]) num_of_pixels = single.size ratio = np.zeros(256) transf_map = np.zeros(256) result = single.copy() j = 0 for i in hist: if j > 0: ratio[j] = i / num_of_pixels + ratio[j - 1] else: ratio[j] = i / num_of_pixels transf_map[j] = round(ratio[j] * 255) j = j + 1 for i in range(single.shape[0]): for j in range(single.shape[1]): result[i][j] = transf_map[single[i][j]] # result[result==j]=k[j] return result
均衡化前后图片如图:
2.库函数均衡化
Python中Opencv(cv2)库中彩图均衡化的函数为cv.equalizeHist(img),可用于均衡化各个通道并使用cv.merge合并,具体用法如下:
hist_res=cv.calcHist([res],[0],None,[256],[0,256])plt.plot(hist_res);plt.show()EB = cv.equalizeHist(B)EG = cv.equalizeHist(G)ER = cv.equalizeHist(R)equal_test = cv.merge((EB, EG, ER)) # merge it back
3.HSI模型RGB模型互换均衡化
HSI颜色模型是一个满足计算机数字化颜色管理需要的高度抽象模拟的数学模型。HSI模型是从人的视觉系统出发,直接使用颜色三要素–色调(Hue)、饱和度(Saturation)和亮度(Intensity,有时也翻译作密度或灰度)来描述颜色,RBG转换到HIS空间公式如图所示,HSI转化成RGB的公式如图所示。
代码如下:
import cv2import numpy as npimport matplotlib.pyplot as pltimport collectionsdef rgb_hsi(rgb_image): # 保存原始图像的行列数 rows = int(rgb_image.shape[0]) cols = int(rgb_image.shape[1]) # 图像复制 hsi_image = rgb_image.copy() # 通道拆分 b = rgb_image[:, :, 0] g = rgb_image[:, :, 1] r = rgb_image[:, :, 2] # 归一化到[0,1] b = b / 255.0 g = g / 255.0 r = r / 255.0 for i in range(rows): for j in range(cols): num = 0.5 * ((r[i, j]-g[i, j])+(r[i, j]-b[i, j])) den = np.sqrt((r[i, j]-g[i, j])**2+(r[i, j]-b[i, j])*(g[i, j]-b[i, j])) if den == 0: hsi_h = 0 else: theta = float(np.arccos(num / den)) if b[i, j] <= g[i, j]: hsi_h = theta else: hsi_h = 2*np.pi - theta min_RGB = min(min(b[i, j], g[i, j]), r[i, j]) sum = b[i, j]+g[i, j]+r[i, j] if sum == 0: hsi_s = 0 else: hsi_s = 1 - 3*min_RGB/sum hsi_h = hsi_h/(2*np.pi) hsi_i = sum/3.0 # 输出HSI图像,扩充到255以方便显示,一般H分量在[0,2pi]之间,S和I在[0,1]之间 hsi_image[i, j, 0] = hsi_h*255 hsi_image[i, j, 1] = hsi_s*255 hsi_image[i, j, 2] = hsi_i*255 return hsi_imagedef hsi_rgb(hsi_image): # 保存原始图像的行列数 rows = np.shape(hsi_image)[0] cols = np.shape(hsi_image)[1] # 对原始图像进行复制 rgb_image = hsi_image.copy() # 对图像进行通道拆分 hsi_h = hsi_image[:, :, 0] hsi_s = hsi_image[:, :, 1] hsi_i = hsi_image[:, :, 2] # 把通道归一化到[0,1] hsi_h = hsi_h / 255.0 hsi_s = hsi_s / 255.0 hsi_i = hsi_i / 255.0 B, G, R = hsi_h, hsi_s, hsi_i for i in range(rows): for j in range(cols): hsi_h[i, j] *= 360 if 0 <= hsi_h[i, j] < 120: B = hsi_i[i, j] * (1 - hsi_s[i, j]) R = hsi_i[i, j] * (1 + (hsi_s[i, j] * np.cos(hsi_h[i, j] * np.pi / 180)) / np.cos( (60 - hsi_h[i, j]) * np.pi / 180)) G = 3 * hsi_i[i, j] - (R + B) elif 120 <= hsi_h[i, j] < 240: hsi_h[i, j] = hsi_h[i, j] - 120 R = hsi_i[i, j] * (1 - hsi_s[i, j]) G = hsi_i[i, j] * (1 + (hsi_s[i, j] * np.cos(hsi_h[i, j] * np.pi / 180)) / np.cos( (60 - hsi_h[i, j]) * np.pi / 180)) B = 3 * hsi_i[i, j] - (R + G) elif 240 <= hsi_h[i, j] <= 300: hsi_h[i, j] = hsi_h[i, j] - 240 G = hsi_i[i, j] * (1 - hsi_s[i, j]) B = hsi_i[i, j] * (1 + (hsi_s[i, j] * np.cos(hsi_h[i, j] * np.pi / 180)) / np.cos( (60 - hsi_h[i, j]) * np.pi / 180)) R = 3 * hsi_i[i, j] - (G + B) rgb_image[i, j, 0] = B * 255 rgb_image[i, j, 1] = G * 255 rgb_image[i, j, 2] = R * 255 return rgb_image# 计算灰度图的直方图def draw_histogram(grayscale): # 对图像进行通道拆分 hsi_i = grayscale[:, :, 2] color_key = [] color_count = [] color_result = [] histogram_color = list(hsi_i.ravel()) # 将多维数组转换成一维数组 color = dict(collections.Counter(histogram_color)) # 统计图像中每个亮度级出现的次数 color = sorted(color.items(), key=lambda item: item[0]) # 根据亮度级大小排序 for element in color: key = list(element)[0] count = list(element)[1] color_key.append(key) color_count.append(count) for i in range(0, 256): if i in color_key: num = color_key.index(i) color_result.append(color_count[num]) else: color_result.append(0) color_result = np.array(color_result) return color_resultdef histogram_equalization(histogram_e, lut_e, image_e): sum_temp = 0 cf = [] for i in histogram_e: sum_temp += i cf.append(sum_temp) for i, v in enumerate(lut_e): lut_e[i] = int(255.0 * (cf[i] / sum_temp) + 0.5) equalization_result = lut_e[image_e] return equalization_resultx = []for i in range(0, 256): # 横坐标 x.append(i)# 原图及其直方图rgb_image = cv2.imread("lena.jpg")cv2.imshow('rgb', rgb_image)histogram = draw_histogram(rgb_image)plt.bar(x, histogram) # 绘制原图直方图plt.savefig('before_histogram.png')plt.show()# rgb转hsihsi_image = rgb_hsi(rgb_image)cv2.imshow('hsi_image', hsi_image)cv2.imwrite('hsi_result.png', hsi_image)# hsi在亮度分量上均衡化histogram_1 = draw_histogram(hsi_image)lut = np.zeros(256, dtype=hsi_image.dtype) # 创建空的查找表result = histogram_equalization(histogram_1, lut, hsi_image) # 均衡化处理cv2.imshow('his_color_image', result)cv2.imwrite('his_color.png', result) # 保存均衡化后图片# hsi转rgbimage_equ = cv2.imread('his_color.png') # 读取图像rgb_result = hsi_rgb(image_equ)cv2.imshow('rgb_image', rgb_result)cv2.imwrite('gbr_result.png', rgb_result)rgb = cv2.imread("gbr_result.png")histogram_2 = draw_histogram(rgb)plt.bar(x, histogram_2)plt.savefig('after_histogram.png')plt.show()plt.plot(x, lut) # 绘制灰度级变换曲线图plt.savefig('Grayscale_transformation_curve.png')plt.show()cv2.waitKey(0)cv2.destroyAllWindows()
七、图像增强
图像增强是使图像更适合于特定应用的图像处理技术,主要分为空间域图像增强与频率域图像增强,常见的图像增强方法框架如图所示。除直方图均衡化,几种常见的图像增强算法简介与原理如下:
(1)对数变换(非线性变换):通过公式s= c log (1+r)对灰度变换,使窄带低灰度输入图像值映射为一宽带输出值,灰度变化前后如图35,图像增强样例(傅里叶频谱)如图36。
图35 对数变换灰度变化前后
图36 对数变换图像增强样例(图源ppt)
(2)减法运算(代数运算):图像的减法运算属于代数运算,即两幅输入图像进行点对点的加、减、乘、除计算而得到输出图像的运算。减法运算则是通过公式C(x,y) = f(x,y) – h(x,y)得到图像,常用于除去背景噪声(缓慢变化的加性非随机噪声),图像增强样例如图37所示。
图37 减法图像增强样例(图源ppt)
(3)平滑滤波器:本实验用到的均值、中值滤波器均属于平滑滤波器,原理可见实验步骤与过程,核心为用像素领域内的某些值代替该像素。
(4)锐化滤波器:包含Laplace算子(微分算子,应用强调在图像中灰度的突变区域,并不强调灰度级缓慢变化的区域)与Sobel算子(主要用在工业检测图像的边缘检测),算子运行时采取类似卷积的方式,将模板在图像上移动并在每个位置上计算对应中心像素的梯度值,即对一幅灰度图像求梯度所得的结果是一幅梯度图,Sobel算子定义如图38所示,锐化前后如图39所示。
图38 Sobel算子定义
图39 锐化前后图片样例(图源网络)
(5)频率域滤波:频率域滤波实际上是将图像进行傅里叶变换,然后在变换域进行处理,然后进行傅里叶反变换转换回空间域。原理是用傅里叶变换表示的函数特征完全可以通过傅里叶反变换来重建,而且不会丢失任何信息(因为任何周期或非周期函数都可以表示为不同频率的正弦函数和余弦函数之和的形式)。
高通滤波法:理想高通滤波器(IHPF)定义如图40所示,滤波前后样例如图41所示。
图40 理想高通滤波器(IHPF)定义
图41 高通滤波处理图像前后
Tips:除了图34框架与上述提到的方法,还有一些经典算法用于图像增强,如灰度世界算法、自动白平衡、自动色彩均衡等,以及近年来大量深度学习算法被用于图像增强以及图像处理领域。
八、参考资料
1.数字图像处理编程:Python语言不调用OpenCV函数实现直方图统计和直方图均衡CSDN博客
2.python数字图像处理-图像噪声与去噪 – 腾讯云开发者社区-腾讯云 (tencent.com)
3.灰度图像和彩色图像的直方图均衡化(python实现)_notos_moon的博客-CSDN博客 直方图
4.opencv-python 对彩色图像做直方图均衡化(+自己实现源码)_lustyoung的博客-直方图均衡化
5.图像处理(1) : 图像增强_QtHalcon的博客-CSDN博客_图像增强
6.图像增强主要有哪些方法_星空之火的博客-CSDN博客_图像增强的方法有哪些
7.[总结] 常见图像增强方法总结(附实现代码)_没头脑的自留地的博客-图像增强算法总结
8.小白入门计算机视觉(四) : 图像基本处理—-直方图(Histogram_计算机视觉直方图
9.python+OpenCV 彩色直方图均衡化 – 简书 (jianshu.com)
总结
本次实验为计算机视觉的第一次实验,通过本次实验,我熟悉了熟悉图像的表示及基本元素、通道操作;掌握基本图像加/去噪的方法并手动实践;了解并应用了灰度图像变换方法实现了灰度/彩图的直方图构建与均衡化,并对比分析了自定义方法与OpenCV计算机视觉库函数方法的效果