基于 OpenCV 的图像阴影去除

Posted 2022-03-01 AI科技大本营

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了基于 OpenCV 的图像阴影去除相关的知识，希望对你有一定的参考价值。

作者 | 努比

来源 | 小白学视觉

我们经常需要通过扫描将纸上的全部内容转换为图像。有很多在线工具可以提高图像的亮度，或者消除图像中的阴影。但是我们可以手动删除阴影吗？当然可以，我们只需要将图像加载到相应的代码中，无需任何应用程序即可在几秒钟内获得输出。这个代码可以通过Numpy和OpenCV基本函数来实现。为了说明该过程，使用了以下图像进行操作。

Test_image

1.图像中有一个非常明显的阴影需要删除。首先当然是将必要的软件包导入环境。

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

2.删除阴影时，有两件事要注意。由于图像是灰度图像，如果图像背景较浅且对象较暗，则必须先执行最大滤波，然后再执行最小滤波。如果图像背景较暗且物体较亮，我们可以先执行最小滤波，然后再进行最大滤波。

那么，最大过滤和最小过滤到底是什么？

3.最大滤波：让我们假设我们有一定大小的图像I。我们编写的算法应该逐个遍历I的像素，并且对于每个像素（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，并进行写入A中相应像素位置（x，y）的最大灰度值。所得图像A称为输入图像I的最大滤波图像。现在让我们通过代码来实现这个概念。

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创建一个“墙”（带有-1的填充），当我们遍历边缘像素时会有所帮助。
然后，我们创建一个“ temp”变量，将计算出的最大值复制到其中。
然后，我们遍历该数组并围绕大小为N x N的当前像素创建一个窗口。
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

4.最小滤波：此算法与最大滤波完全相同，但是我们没有找到附近的最大灰度值，而是在该像素周围的N x N邻域中找到了最小值，并将该最小灰度值写入B中的（x，y）。所得图像B称为图像I的经过最小滤波的图像，代码如下。

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，如果图像的背景较浅，我们要先执行最大过滤，这将为我们提供增强的背景，并将该最大过滤后的图像传递给最小过滤功能，该功能将负责实际的内容增强。

6.因此，执行最小-最大滤波后，我们获得的值不在0-255的范围内。因此，我们必须归一化使用背景减法获得的最终阵列，该方法是将原始图像减去最小-最大滤波图像，以获得去除阴影的最终图像。

#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

7.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：