OpenCV图像处理专栏十五 |《一种基于亮度均衡的图像阈值分割技术》

2020-02-11 |

93 |

原标题： OpenCV图像处理专栏十五 |《一种基于亮度均衡的图像阈值分割技术》

来源：AI 研习社链接： https://www.yanxishe.com/columnDetail/17861

对于光照不均匀的图像,用通常的图像分割方法不能取得满意的效果。为了解决这个问题，论文《一种基于亮度均衡的图像阈值分割技术》提出了一种实用而简便的图像分割方法。该方法针对图像中不同亮度区域进行亮度补偿,使得整个图像亮度背景趋于一致后,再进行常规的阈值分割。实验结果表明，用该方法能取得良好的分割效果。关于常规的阈值分割不是我这篇推文关注的，我这里只实现前面光照补偿的部分。算法的原理可以仔细看论文。论文原文见附录。

算法步骤

如果是 RGB 图需要转化成灰度图。
求取原始图 src 的平均灰度，并记录 rows 和 cols。
按照一定大小，分为DX×DY个方块，求出每块的平均值，得到子块的亮度矩阵D。
用矩阵D的每个元素减去原图的平均灰度，得到子块的亮度差值矩阵E。
用双立方插值法，将矩阵E resize成和原图一样大小的亮度分布矩阵R。
得到矫正后的图像：result=I−R。

代码实现

Mat speed_rgb2gray(Mat src) {
	Mat dst(src.rows, src.cols, CV_8UC1);
#pragma omp parallel for num_threads(12)	for (int i = 0; i < src.rows; i++) {		for (int j = 0; j < src.cols; j++) {
			dst.at<uchar>(i, j) = ((src.at<Vec3b>(i, j)[0] << 18) + (src.at<Vec3b>(i, j)[0] << 15) + (src.at<Vec3b>(i, j)[0] << 14) +
				(src.at<Vec3b>(i, j)[0] << 11) + (src.at<Vec3b>(i, j)[0] << 7) + (src.at<Vec3b>(i, j)[0] << 7) + (src.at<Vec3b>(i, j)[0] << 5) +
				(src.at<Vec3b>(i, j)[0] << 4) + (src.at<Vec3b>(i, j)[0] << 2) +
				(src.at<Vec3b>(i, j)[1] << 19) + (src.at<Vec3b>(i, j)[1] << 16) + (src.at<Vec3b>(i, j)[1] << 14) + (src.at<Vec3b>(i, j)[1] << 13) +
				(src.at<Vec3b>(i, j)[1] << 10) + (src.at<Vec3b>(i, j)[1] << 8) + (src.at<Vec3b>(i, j)[1] << 4) + (src.at<Vec3b>(i, j)[1] << 3) + (src.at<Vec3b>(i, j)[1] << 1) +
				(src.at<Vec3b>(i, j)[2] << 16) + (src.at<Vec3b>(i, j)[2] << 15) + (src.at<Vec3b>(i, j)[2] << 14) + (src.at<Vec3b>(i, j)[2] << 12) +
				(src.at<Vec3b>(i, j)[2] << 9) + (src.at<Vec3b>(i, j)[2] << 7) + (src.at<Vec3b>(i, j)[2] << 6) + (src.at<Vec3b>(i, j)[2] << 5) + (src.at<Vec3b>(i, j)[2] << 4) + (src.at<Vec3b>(i, j)[2] << 1) >> 20);
		}
	}	return dst;
}


Mat unevenLightCompensate(Mat src, int block_Size) {	int row = src.rows;	int col = src.cols;
	Mat gray(row, col, CV_8UC1);	if (src.channels() == 3) {
		gray = speed_rgb2gray(src);
	}	else {
		gray = src;
	}	float average = mean(gray)[0];	int new_row = ceil(1.0 * row / block_Size);	int new_col = ceil(1.0 * col / block_Size);
	Mat new_img(new_row, new_col, CV_32FC1);	for (int i = 0; i < new_row; i++) {		for (int j = 0; j < new_col; j++) {			int rowx = i * block_Size;			int rowy = (i + 1) * block_Size;			int colx = j * block_Size;			int coly = (j + 1) * block_Size;			if (rowy > row) rowy = row;			if (coly > col) coly = col;
			Mat ROI = src(Range(rowx, rowy), Range(colx, coly));			float block_average = mean(ROI)[0];
			new_img.at<float>(i, j) = block_average;
		}
	}
	new_img = new_img - average;
	Mat new_img2;
	resize(new_img, new_img2, Size(row, col), (0, 0), (0, 0), INTER_CUBIC);
	Mat new_src;
	gray.convertTo(new_src, CV_32FC1);
	Mat dst = new_src - new_img2;
	dst.convertTo(dst, CV_8UC1);	return dst;
}