Lire le traitement d'image numérique

J'étudie avec un livre intitulé Digital Image Processing. J'ai implémenté (conversion de contraste) dans le but d'approfondir la compréhension.

* Conversion de contraste de luminosité *

Le contraste est le degré de changement de luminosité et de couleur. (Interprétation personnelle) Fort contraste → Facile à comprendre la luminosité et le transfert des couleurs, facile à comprendre le contour d'un objet. Contraste faible → Il est difficile de comprendre la luminosité et le transfert des couleurs, et il est difficile de comprendre le contour d'un objet.

* Courbe de tonalité *

En modifiant la relation entre l'entrée et la sortie, la tonalité de couleur de l'image peut être modifiée. Par conséquent, il devient facile à voir ou difficile à voir.

* La première pièce à utiliser cette fois *

Utilisez un échantillon sombre comme celui de l'image ci-dessous pour faciliter la visualisation de l'effet.

Caractéristiques: assez sombre

python

#Bibliothèques requises
import cv2
import numpy as np
import matplotlib.pyplot as plt

#Chemin de la photo
pic_path = 'pet-bottle-pic/test/camera_pic/aquari3.jpg'

#Lis
pic_image = cv2.imread(pic_path)

#Convertir en gris
pic_image = cv2.cvtColor(pic_image, cv2.COLOR_BGR2GRAY)

#Lorsqu'il est lu avec cv, plt.cmap lors de l'utilisation d'imshow='gray'Notez qu'il ne sera pas gris sauf si vous spécifiez
plt.imshow(pic_image, cmap='gray')
plt.title('sample_dark')
plt.savefig("aquari_dark.jpg ")

↓ C'est sombre et presque invisible

python

#Pixel
pic_image.shape # (2464, 3280)

Distribution des valeurs de pixel

python

#Aplatir dans une dimension pour créer un histogramme
flat_data = np.ravel(pic_image)

#Portée de la barre
bins_range = range(0, 260, 5)

#Histogramme de sortie
plt.hist(flat_data, bins = bins_range)
plt.title('sample_dark')
plt.xlabel('pixel_value')
plt.ylabel('frequency')
plt.savefig("hist_aquari_dark.png ")

↓ Il y a un biais du côté noir.

Mise en œuvre de la conversion de contraste

* Type de ligne brisée *

Selon la façon dont il est fait, le contraste dans n'importe quelle plage peut être augmenté. (Bien que ce soit un peu artificiel) Étant donné que l'image échantillon est dense dans la plage de valeurs de pixel de 0 à 50, l'angle est défini dans cette plage.

python

def bend_line(X):
    y = X*5
    y = np.where(y>=255, 255, y)
    return y

Appliquez une fonction qui sort comme indiqué dans le graphique ci-dessous.

python

X = np.arange(0, 255, 1)
y = bend_line(X)

plt.title('sample_dark_bend_line')
plt.xlabel('INPUT')
plt.ylabel('OUTPUT')
plt.plot(X, y)
plt.savefig("bend_line.png ")

Photo après application

python

pic_func1 = bend_line(pic_image)
plt.imshow(pic_func1, cmap='gray')
plt.title('sample_dark_after_bend_line')
plt.savefig("aquari_dark_after_bend_line.jpg ")

↓ Vous pouvez maintenant voir la bouteille en PET. (Même si ça a l'air un peu sale)

Regardons la distribution.

python

flat_data = np.ravel(pic_func1)

bins_range = range(0, 260, 5)
 
#Histogramme de sortie
plt.hist(flat_data, bins = bins_range)
plt.title('sample_dark_after_bend_line')
plt.xlabel('pixel_value')
plt.ylabel('frequency')
plt.savefig("hist_aquari_dark_after_bend_line.png ")

↓ La distribution a été un peu lissée.

* Courbe de tonalité multipliée (correction gamma) *

Convient pour corriger des images trop sombres ou trop lumineuses pour être comprises. Convient pour augmenter le contraste des images avec une distribution près des bords.

Implémentez la formule suivante appelée fonction gamma. $ y = \left( \frac{X}{255} \right)^\frac{1}{\gamma} \times 255\\ $ À propos, sur le site officiel d'Opencv, 1 / γ est introduit comme γ.

python

def g_function(X, gamma):
    y = 255*(X/255)**(1/gamma)
    return y

Graphique pour chaque valeur γ

python

X = np.arange(0, 255, 1)
gamma = [3, 2, 1.5, 1, 0.5, 0.33]
labels = ["3", "2", "1.5", "1", "0.5", "0.33"]

plt.title('g_function')
plt.xlabel('INPUT')
plt.ylabel('OUTPUT')

for g, l in zip(gamma, labels):
    y = g_function(X, g)
    plt.plot(X, y, label = l)
plt.legend()


plt.savefig("g_function.png ")

γ est grand → Renforce le contraste des images sombres dans leur ensemble. γ est petit → Augmente globalement le contraste des images lumineuses.

python

gamma = 3
pic_gfunc = g_function(pic_image, gamma)
plt.imshow(pic_gfunc, cmap='gray')
plt.title('sample_dark_after_gfunc')
plt.savefig("aquari_dark_after_gfunc.jpg ")

↓ C'est assez propre.

python

flat_data = np.ravel(pic_gfunc)

bins_range = range(0, 260, 5)
 
#Histogramme de sortie
plt.hist(flat_data, bins = bins_range)
plt.title('sample_dark_after_gfunc')
plt.xlabel('pixel_value')
plt.ylabel('frequency')
plt.savefig("hist_aquari_dark_after_gfunc.png ")

↓ De même, la distribution est lissée.

* Image suivante à utiliser

Caractéristiques: Normal

python

#Chemin de la photo
pic_path = 'pet-bottle-pic/test/camera_pic/aquari.jpg'

#Lis
pic_image = cv2.imread(pic_path)

#Convertir en gris
pic_image = cv2.cvtColor(pic_image, cv2.COLOR_BGR2GRAY)

#Lorsqu'il est lu avec cv, plt.cmap lors de l'utilisation d'imshow='gray'Notez qu'il ne sera pas gris sauf si vous spécifiez
plt.imshow(pic_image, cmap='gray')
plt.title('sample_normal')
plt.savefig("aquari.jpg ")

Distribution des valeurs de pixel

python

#Aplatir dans une dimension pour créer un histogramme
flat_data = np.ravel(pic_image)

#Portée de la barre
bins_range = range(0, 260, 5)

#Histogramme de sortie
plt.hist(flat_data, bins = bins_range)
plt.title('sample_normal')
plt.xlabel('pixel_value')
plt.ylabel('frequency')
plt.savefig("hist_aquari.png ")

* Type de courbe en forme de S *

Convient pour augmenter le contraste des images avec une distribution proche du centre. Mettre en œuvre la formule suivante $ y = \frac{255}{1 + \exp^{a\left(-X + 127\right)}}\\ $

python

def s_func(X, a):
    y = 255/(1 + np.exp(a*(-1*X + 127)))
    return y

python

X = np.arange(0, 255, 1)
a = 0.05
y = s_func(X, a)

plt.title('s_function')
plt.xlabel('INPUT')
plt.ylabel('OUTPUT')

plt.plot(X, y)
plt.savefig("s_function.png ")

python

a = 0.05
y = s_func(pic_image, a)
plt.imshow(y, cmap='gray')
plt.title('sample_after_sfunc')
plt.savefig("aquari_after_sfunc.jpg ")

↓ C'était un peu clair.

python

flat_data = np.ravel(y)

bins_range = range(0, 260, 5)
 
#Histogramme de sortie
plt.hist(flat_data, bins = bins_range)
plt.title('sample_after_sfunc')
plt.xlabel('pixel_value')
plt.ylabel('frequency')
plt.savefig("hist_aquari_sfunc.png ")

↓ L'histogramme est devenu plat.

* Effets spéciaux *

Il y a un aspect mystérieux dans son utilisation, mais je l'ai implémenté.

* Inverser *

Lumineux → sombre Sombre → brillant devenir.

python

def rev_func(X):
    y = -X + 255
    return y

python

X = np.arange(0, 255, 1)
y = rev_func(X)

plt.title('Rev_function')
plt.xlabel('INPUT')
plt.ylabel('OUTPUT')
plt.plot(X, y)
plt.savefig("rev_func.png ")

python

y = rev_func(pic_image)
plt.imshow(y, cmap='gray')
plt.title('sample_after_rev_func')
plt.savefig("aquari_after_rev_func.jpg ")

python

flat_data = np.ravel(y)

bins_range = range(0, 260, 5)
 
#Histogramme de sortie
plt.hist(flat_data, bins = bins_range)
plt.title('sample_after_rev_func')
plt.xlabel('pixel_value')
plt.ylabel('frequency')
plt.savefig("hist_aquari_rev_func.png ")

↓ La distribution est également inversée à gauche et à droite.

* Postérisation *

Cela ressemble à une affiche.

Luminosité divisée en 4 étapes

Intervalle: 64 Première étape: 64 Deuxième étape: 128 Troisième étape: 192 Quatrième étape: 255

python

def post_func(X):
    y = np.where(X>=192, 255, X)
    y = np.where((y >=128 ) & (y < 192), 170, y)
    y = np.where((y >=64 ) & (y < 128), 85, y)
    y = np.where(y<64, 0, y)
    return y

python

X = np.arange(0, 255, 1)
y = post_func(X)

plt.title('post_function')
plt.xlabel('INPUT')
plt.ylabel('OUTPUT')
plt.plot(X, y)
plt.savefig("post_func.png ")

python

y = post_func(pic_image)
plt.imshow(y, cmap='gray')
plt.title('sample_after_after_postfunc')
plt.savefig("aquari_after_postfunc.jpg ")

↓ Comme une affiche

python

flat_data = np.ravel(y)

bins_range = range(0, 260, 5)
 
#Histogramme de sortie
plt.hist(flat_data, bins = bins_range)
plt.title('sample_after_postfunc')
plt.xlabel('pixel_value')
plt.ylabel('frequency')
plt.savefig("hist_aquari_postfunc.png ")

* Binarisation *

Noir et blanc clair]

python

def to_func(X):
    y = np.where(X>=127, 255, X)
    y = np.where(y<127, 0, y)
    return y

python

X = np.arange(0, 255, 1)
y = to_func(X)

plt.title('2_function')
plt.xlabel('INPUT')
plt.ylabel('OUTPUT')
plt.plot(X, y)
plt.savefig("2_func.png ")

python

y = to_func(pic_image)
plt.imshow(y, cmap='gray')
plt.title('sample_after_after_tofunc')
plt.savefig("aquari_after_tofunc.jpg ")

↓ Est-ce difficile de voir le contraire?

python

flat_data = np.ravel(y)

bins_range = range(0, 260, 5)
 
#Histogramme de sortie
plt.hist(flat_data, bins = bins_range)
plt.title('sample_after_totfunc')
plt.xlabel('pixel_value')
plt.ylabel('frequency')
plt.savefig("hist_aquari_tofunc.png ")

↓ Il est binarisé.

* Solarisation *

Cela ressemble à un film lors du développement d'une photo.

python

from math import pi

def sora_func(X):
    X = (3*pi/255)*X
    y = -127.5*(np.cos(X))+127.5
    return y

python

X = np.arange(0, 255, 1)
y = sora_func(X)

plt.title('sora_function')
plt.xlabel('INPUT')
plt.ylabel('OUTPUT')
plt.plot(X, y)
plt.savefig("sora_func.png ")

python

y = sora_func(pic_image)
plt.imshow(y, cmap='gray')
plt.title('sample_after_sorafunc')
plt.savefig("aquari_after_sorafunc.jpg ")

↓ D'une certaine manière, ça ressemble à ça

python

flat_data = np.ravel(y)

bins_range = range(0, 260, 5)
 
#Histogramme de sortie
plt.hist(flat_data, bins = bins_range)
plt.title('sample_after_soratfunc')
plt.xlabel('pixel_value')
plt.ylabel('frequency')
plt.savefig("hist_aquari_sorafunc.png ")

Fin