点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
图像增强是对于任何图像处理的一个重要步骤,我们将在日常工作中使用的大多数图像很可能不是在特别理想的环境中拍摄的。过度曝光、曝光不足和彩色阴影等问题在现实生活数据中很常见。因此,了解如何处理此类问题会很有用。
在这篇文章中,我们将讨论如何处理彩色阴影图像。
导入需要的库:
#Import the required Python libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from skimage.io import imshow, imread
天空阴天
正如我们所看到的,上面的图片有一个彩色的阴影,虽然从艺术的角度来看很美,但这样的问题可能会对试图处理数据的机器产生影响。
我们需要做的第一个处理是检查图像的 RGB 光谱。为此,我们必须将图像分解为其 RGB 分量。
rgb_list = ['Reds','Greens','Blues']
fig, ax = plt.subplots(1, 3, figsize=(15,5), sharey = True)
for i in range(3):
ax[i].imshow(image_overcast[:,:,i], cmap = rgb_list[i])
ax[i].set_title(rgb_list[i], fontsize = 15)
RGB 分割
从纯粹的视觉角度来看,我们可以看到图像具有明显的深红色,当然,这只是我们目测。为了更好地了解图像的实际属性,我们必须以计算机看到的方式来检查它。下面的函数将生成每个颜色通道的相关统计信息。
def channel_statistics(image):
df_color = []
for i in range(0, 3):
max_color =np.max(image[:,:,i])
mean_color = np.mean(image[:,:,i])
median_color = np.median(image[:,:,i])
perc_90 = np.percentile(image[:,:,i], 90, axis=(0,1))
perc_95 = np.percentile(image[:,:,i], 95, axis=(0,1))
perc_99 = np.percentile(image[:,:,i], 99, axis=(0,1))
row = (max_color, mean_color, median_color,
perc_90, perc_95, perc_99)
df_color.append(row)
return pd.DataFrame(df_color,
index = ['Red', ' Green', 'Blue'],