使用Python，OpenCV和Scikit-Image檢測低對比度圖像

• • 1. 效果圖
  • 2. 原理
  • 3. 源碼
  • 參考

這篇博客將介紹如何使用Python，OpenCV和Scikit-Image檢測低對比度圖像。
在良好受控的光照條件下拍攝照片，將更便于處理。
在動態條件下拍攝的照片將更具有個別性，使得不能覆蓋所有的場景及邊緣案例。

檢測低對比度的一個應用是：在應用算法前，過濾掉低對比度的圖像，因其往往會導致不夠準確的結果。

1. 效果圖

非低對比度圖像效果圖，可以看到最大輪廓正確檢測且展示。右側的邊緣圖也很清晰，前景與背景較好的區分開。
低對比度圖像效果圖，可以看到輪廓檢測的結果map圖，邊界框模糊，前景與背景的分界處并沒有正確展示。因此在檢測時會直接跳過繪制最大邊緣：

2. 原理

• 低對比度圖像/幀會產生什么問題？怎樣才能檢測到它們？

  低對比度圖像在光線亮區域和暗區域之間具有很小的差異，使得難以看到對象的邊界與背景的分界處。

  越是在光照良好的條件下拍照的圖像，越是便于編碼處理。邊緣案例的復雜通道圖像難以覆蓋全，且不易處理。

  低對比度圖像會使硬編碼算法（例如，模糊尺寸，閾值限制，Canny Edge檢測參數等）可能導致不正確/無法使用的輸出。因此，在圖像處理中，可以檢測并丟棄掉低對比度的圖像，以保證算法能得出正確的結果。

3. 源碼

# USAGE
# python detect_low_contrast_image.py --input images# 導入必要的包
from skimage.exposure import is_low_contrast  # 該函數用于通過檢查圖像的直方圖然后確定亮度范圍跨越全范圍的分數量來檢測低對比度圖像。
from imutils.paths import list_images
import argparse
import imutils
import cv2# 構建命令行參數及解析
# --input 輸入圖像路徑
# --thresh 低對比度的閾值，0.35意味著當亮度區域少于整個圖像的0.35時，認為時低對比度圖像；由于OpenCV中的圖像是由一系列值的無符號8位整數表示[0,255]。
#          如果像素強度的分布占據該[0,255]范圍的35％，則圖像被認為是低對比度。
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--input", required=True,help="path to input directory of images")
ap.add_argument("-t", "--thresh", type=float, default=0.45,help="threshold for low contrast")
args = vars(ap.parse_args())# 獲取輸入圖像路徑
imagePaths = sorted(list(list_images(args["input"])))# 遍歷圖像路徑
for (i, imagePath) in enumerate(imagePaths):# 從磁盤加載，保持寬高比的縮放圖像，轉換為灰度圖print("[INFO] processing image {}/{}".format(i + 1, len(imagePaths)))image = cv2.imread(imagePath)image = imutils.resize(image, width=450)gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 高斯平滑圖像以減少高頻噪音，并執行邊緣檢測blurred = cv2.GaussianBlur(gray, (5, 5), 0)edged = cv2.Canny(blurred, 30, 150)# 初始化非低對比度的文本及顏色，綠色text = "Low contrast: No"color = (0, 255, 0)# 檢查圖像是否低對比度if is_low_contrast(gray, fraction_threshold=args["thresh"]):# 更新低對比度文件及顏色，紅色text = "Low contrast: Yes"color = (0, 0, 255)# 如果不是低對比度，繼續處理else:# 在邊緣圖中找到最大的輪廓，認為其實彩色校正圖片的外輪廓cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)cnts = imutils.grab_contours(cnts)c = max(cnts, key=cv2.contourArea)# 在圖像上繪制最大輪廓cv2.drawContours(image, [c], -1, (0, 255, 0), 2)# for i,c in enumerate(cnts):#     # 在圖像上繪制最大輪廓#     cv2.drawContours(image, [c], -1, (0, 255, 0), 2)# 輸出圖像上繪制文本cv2.putText(image, text, (5, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.8,color, 2)# 展示輸出圖像和邊緣圖cv2.imshow("Image", image)cv2.imshow("Edge", edged)cv2.waitKey(0)

參考

• https://www.pyimagesearch.com/2021/01/25/detecting-low-contrast-images-with-opencv-scikit-image-and-python/

總結

以上是生活随笔為你收集整理的使用Python，OpenCV和Scikit-Image检测低对比度图像的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。