用Numpy，Open-CV加强灰度图像

做者|Kavya Musty
编译|Flin
来源|medium

咱们常常扫描纸张把它们转换成图像。咱们有各类各样的工具能够在线加强这些图像，使它们的亮度更亮，并消除这些图像中的阴影。若是咱们能够手动去除阴影呢？咱们能够将任何图像做为灰度图像加载到咱们的代码中，并在几秒钟内得到输出，而无需任何应用程序的帮助。

这能够经过使用基本的Numpy操做和一些open CV函数来实现。为了解释这个过程，咱们使用了下面的图片，它是用手机拍的。

很明显，有一个阴影须要删除。让咱们开始吧。

1. 将必要的软件包导入你的环境。为了易于显示图像，咱们使用Jupyter Notebook。

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

1. 删除阴影时，有两件事要注意。因为图像是灰度图像，若是图像背景较浅且对象较暗，则必须先执行最大值滤波，而后再执行最小值滤波。若是图像背景较暗且物体较亮，咱们能够先执行最小值滤波，而后再进行最大值滤波。

那么，最大值滤波和最小值滤波究竟是什么？

1. 最大值滤波：让咱们假设咱们有一个特定大小的图像 I 。咱们编写的算法应逐个遍历 I 的像素，而且对于每一个像素（x，y），它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。

让咱们在代码中实现这个概念。

• 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建立一个“wall”（带有-1的填充），当咱们遍历边缘像素时会有所帮助。
• 而后，咱们建立一个“ temp”变量，将计算出的最大值复制到该变量中。
• 而后，咱们遍历数组，并围绕当前像素大小N x N建立一个窗口。
• 而后，咱们使用“ amax()”函数在该窗口中计算最大值，并将该值写入temp数组。
• 咱们将该临时数组复制到主数组A中，并将其做为输出返回。
• 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

1. 最小值滤波：此算法与最大值滤波彻底相同，可是咱们不去找邻近的最大灰度值，而是找到了该像素周围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 的通过最小值滤波的图像。

让咱们对该函数进行编码。

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

1. 所以，若是图像的背景较浅，咱们要先执行最大值滤波，这将为咱们提供加强的背景，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加强。
2. 所以，执行最小-最大值滤波后，咱们得到的值不在0-255的范围内。所以，咱们必须归一化使用背景减法得到的最终阵列，该方法是用原始图像减去最小最大值滤波后的图像，以得到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

1. 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。加强后的最终输出图像以下所示：

输出图像是原始图像加强后的结果。所实现的代码是在open CV中手动实现一些库函数以加强图像的拙劣尝试。带有图像的整个notebook能够在下面的Github连接中找到。

• https://github.com/kavyamusty...

原文连接：https://medium.com/swlh/enhan...

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/