# 导入必要的库
import cv2 # 用于图像处理的OpenCV库
import glob # 用于查找匹配某个模式的文件路径
import os # 用于与操作系统交互
from tqdm import tqdm # 导入tqdm库
# 设置输入和输出文件夹
# 定义要处理的文件夹列表
folders = ["train", "valid", "test"]
# 循环遍历每个文件夹
for folder in folders:
input_folder = f"mydata/4/{folder}/images"
output_folder = f"mydata/5/{folder}/images"
if not os.path.exists(output_folder): # 如果输出文件夹不存在,则创建它
os.makedirs(output_folder)
image_paths = glob.glob(os.path.join(input_folder, "*.jpg"))
total = len(image_paths)
with tqdm(total=total, desc="Processing images") as pbar:
for img_path in image_paths:
try:
# 读取输入图像
img = cv2.imread(img_path) # 使用OpenCV将图像加载为NumPy数组
# 转换为灰度图像
input_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用OpenCV将图像转换为灰度图像
# 应用引导滤波器
filtered = cv2.ximgproc.guidedFilter(guide=input_gray, src=input_gray, radius=64, eps=400)
# 使用OpenCV的ximgproc模块应用引导滤波器以增强图像。
# “guide”是输入图像,“src”是灰度图像。
# “radius”控制滤波时考虑的邻域的大小。
# “eps”是一个正则化参数,控制滤波的强度。
# 增强细节
details = cv2.subtract(input_gray, filtered) # 从输入图像中减去滤波后的图像,得到细节图像。
details = cv2.normalize(details, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX) # 对细节图像进行归一化。
details = cv2.convertScaleAbs(details, alpha=1.5, beta=0) # 使用缩放因子增强细节。
details_bgr = cv2.cvtColor(details, cv2.COLOR_GRAY2BGR) # 将细节图像转换为BGR颜色空间,以与原始图像合并。
# 合并原始图像和增强细节
output_image = cv2.addWeighted(img, 0.7, details_bgr, 0.3, 0) # 使用OpenCV的addWeighted函数将原始图像和增强细节图像合并。
# 前两个参数是输入图像,后面是每个图像的权重参数,最后是gamma值。
# 将输出图像保存到输出文件夹
output_path = os.path.join(output_folder, os.path.basename(img_path)) # 获取输出文件路径。
cv2.imwrite(output_path, filtered) # 将滤波后的图像写入
#int i=0
#print(i+1) # Print a success message for each image processed.
pbar.update(1) # 更新总进度条
except Exception as e: # Handle errors gracefully.
print(f"Error processing {img_path}: {e}")
print("Done!") # Print a message when all images have been processed.
Guided image filtering 引导滤波算法实现图像细节增强
于 2023-05-07 23:23:32 首次发布