前言¶

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 $DX \times DY$ 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;
}

效果¶

在这里插入图片描述

可以看到经过这个算法处理之后，亮度确实被均衡了一些，从视觉效果上来看还是有作用的。

附录¶

论文原文：https://wenku.baidu.com/view/f74cc087e53a580216fcfe52.html?from=search

同期文章¶

欢迎关注GiantPandaCV, 在这里你将看到独家的深度学习分享，坚持原创，每天分享我们学习到的新鲜知识。( • ̀ω•́ )✧

有对文章相关的问题，或者想要加入交流群，欢迎添加BBuf微信：

在这里插入图片描述

本文总阅读量次