【OpenCV实现图像：用OpenCV图像处理技巧之白平衡算法】_opencv 白平衡

最新推荐文章于 2024-05-13 21:55:16 发布

m0_57540655

最新推荐文章于 2024-05-13 21:55:16 发布

阅读量734

点赞数 16

分类专栏： 2024年程序员学习文章标签： opencv 图像处理算法

本文链接：https://blog.csdn.net/m0_57540655/article/details/137800872

版权

2024年程序员学习专栏收录该内容

235 篇文章 0 订阅

订阅专栏

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Linux运维全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上运维知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注运维）

正文

在日常生活中，我们经常会遇到不同光源下拍摄的照片，比如在室内使用白炽灯、荧光灯，或者在室外阳光下拍摄。不同类型的光源会产生不同色温的光线，而相机可能无法自动适应这些光线的差异。这就导致了照片中的颜色看起来不真实，不符合我们的视觉感受。

白平衡的原理

白平衡技术的基本原理是通过调整图像中各个颜色通道的增益，使得图像中的灰度区域呈现出中性灰色。简单来说，就是让白色看起来像白色，黑色看起来像黑色。这样一来，不同光源下拍摄的图像就能更准确地还原物体的真实颜色。

白平衡的调整方法

预设白平衡模式： 相机通常提供了一些预设的白平衡模式，比如日光、阴天、荧光灯、白炽灯等。选择合适的预设模式可以在一定程度上改善图像的颜色偏差。

手动白平衡： 在一些相机中，我们可以手动设置白平衡。这通常需要在拍摄场景中放置一个白色卡片，让相机通过这个参考物体来调整白平衡。

后期处理： 在图像处理软件中，我们也可以进行白平衡的调整。通过调整图像的色温、色调和饱和度等参数，我们可以更精细地控制图像的颜色效果。

白平衡技术的应用

白平衡技术不仅在摄影中应用广泛，在图像处理、广告设计、艺术创作等领域也有重要作用。在商品拍摄、人像摄影、风景摄影等各种场景中，合适的白平衡调整能够提高照片的质量，使其更具吸引力和真实感。

白平衡是一项用于校正由不同照明条件引起的图像颜色偏差的技术。它通过调整图像的颜色对比度，使白色看起来像白色，使黑色看起来像黑色。这个过程非常重要，因为它确保了图像中的颜色是准确的，同时也使图像对人眼来说看起来更加自然。

加载样例图像

# 导入必要的Python库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from skimage import io, img_as_ubyte
from skimage.io import imread, imshow
from matplotlib.patches import Rectangle

# 加载样例图像
from skimage import io
import matplotlib.pyplot as plt

# 读取图像文件
image = io.imread(r'E:\yolo项目\Opencv-project-main\Opencv-project-main\CVZone\img.png')

# 显示原始图像
plt.figure(figsize=(10,10))
plt.title('Original Image')  # 设置图像标题
plt.imshow(image)  # 显示图像
plt.show()  # 显示图像

结果：
在这里插入图片描述

统计数据分析

# 导入必要的Python库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from skimage import io, img_as_ubyte
from skimage.io import imread, imshow
from matplotlib.patches import Rectangle

# 加载样例图像
from skimage import io
import matplotlib.pyplot as plt

# 读取图像文件
image = io.imread('qmark.png')

# 显示原始图像
plt.figure(figsize=(10,10))
plt.title('Original Image')  # 设置图像标题
plt.imshow(image)  # 显示图像
plt.show()  # 显示图像

# 分析图像中的统计信息
def calc_color_overcast(image):
    # 计算每个通道的颜色偏差
    red_channel = image[:, :, 0]  # 红色通道
    green_channel = image[:, :, 1]  # 绿色通道
    blue_channel = image[:, :, 2]  # 蓝色通道

    # 创建一个DataFrame来存储结果
    channel_stats = pd.DataFrame(columns=['Mean', 'Std', 'Min', 'Median', 'P\_80', 'P\_90', 'P\_99', 'Max'])

    # 计算并存储每个颜色通道的统计信息
    for channel, name in zip([red_channel, green_channel, blue_channel], ['Red', 'Green', 'Blue']):
        mean = np.mean(channel)  # 平均值
        std = np.std(channel)  # 标准差
        minimum = np.min(channel)  # 最小值
        median = np.median(channel)  # 中位数
        p_80 = np.percentile(channel, 80)  # 80th百分位数
        p_90 = np.percentile(channel, 90)  # 90th百分位数
        p_99 = np.percentile(channel, 99)  # 99th百分位数
        maximum = np.max(channel)  # 最大值

        # 将统计信息存储到DataFrame中
        channel_stats.loc[name] = [mean, std, minimum, median, p_80, p_90, p_99, maximum]

    return channel_stats
# 计算颜色通道的统计信息
channel_stats = calc_color_overcast(image)

# 打印统计信息
print(channel_stats)

定义了一个函数 calc_color_overcast(image)，该函数用于计算图像中每个颜色通道（红色、绿色、蓝色）的统计信息，包括均值、标准差、最小值、中位数、80th、90th、99th 百分位数以及最大值。这些信息对于分析图像的颜色特性非常有用。

结果：
在这里插入图片描述

White Patch Algorithm

白色补丁算法是图像处理中常用的一种颜色平衡方法。其目标是通过缩放图像的颜色通道，使得每个通道中最亮的像素变为白色。这一方法基于假设：图像中最亮的像素应当代表白色。通过调整每个通道的亮度，算法可以校正图像的颜色投射，实现图像的白平衡。

# 导入必要的Python库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from skimage import io, img_as_ubyte
from skimage.io import imread, imshow
from matplotlib.patches import Rectangle

# 加载样例图像
from skimage import io
import matplotlib.pyplot as plt

# 读取图像文件




def white_patch(image, percentile=100):
    """
    Returns a plot comparison of original and corrected/white balanced image
    using the White Patch algorithm.

    Parameters
    ----------
    image : numpy array
            Image to process using white patch algorithm
    percentile : integer, optional


### 最后的话

最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！

### 资料预览

给大家整理的视频资料：

![](https://img-blog.csdnimg.cn/img_convert/2bc34917450ab0ecb87f7bb0eb9a63c5.png)

给大家整理的电子书资料：

  

![](https://img-blog.csdnimg.cn/img_convert/5251f88bcf8dd6b0545ebaf746507295.png)



**如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！**


**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注运维）**
![img](https://img-blog.csdnimg.cn/img_convert/13637d659fa27b63784d5d141b5e70aa.jpeg)

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注运维）**
[外链图片转存中...(img-BYsaChaH-1713198684275)]

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**