OpenCV笔记3-图像修复
图像修复图像修复是计算机视觉中的一类算法，其目标是添补图像或视频内的区域。该区域利用二进制掩模举行标识，添补通常根据需要添补的区域界限信息来完成。图像修复的最常见应用是规复旧的扫描照片。图像修复不但可以去除图像中得“划痕”，它还用于删除图像中的小的不需要的对象（去除图像中得水印、日期等）。
OpenCV 实现了两种修复算法:
[*]“一种基于快速行进法的图像修复技能”，Alexandru Telea，2004: 这是基于快速行进法(FMM)。检察要修复的区域，该算法首先从界限像素开始，然后到达界限内的像素。它用背景中像素的加权和替换每个要修复的像素，将更多的权重赋予更近的像素和界限像素。
[*]“纳维尔-斯托克斯，流体动力学，图像和视频修复”，贝尔塔米奥，马塞洛，安德里亚·l·贝尔托齐和吉列尔莫·萨皮罗，2001: 该算法受偏微分方程的启发。从边沿(已知区域)开始向未知区域流传等照度线(毗连同强度点的线)。最后，区域中的变革被最小化以添补颜色。
Image Inpainting with OpenCV (C++/Python) | LearnOpenCV #
理论可以看看这篇。
dst = cv2.inpaint(src, inpaintMask, inpaintRadius, flags)来实现修复图像，
参数寄义：
src：源图像，也就是需要修复的图像
inpaintMask：二进制掩码，指示要修复的像素。
dst：结果图像
inpaintRadius：表示修复的半径
flags : 修复算法
import cv2
import rclpy
from rclpy.node import Node
import numpy as np
from ament_index_python.packages import get_package_share_directory #获取shares目录绝对路径
class OpenCVNode(Node):
def readImg(self,img_name: str):
default_image_path = get_package_share_directory('yahboom_esp32ai_car')+'/resource/'
self.get_logger().info(f'打开图片:{default_image_path}')
dam_img = cv2.imread(default_image_path+img_name)
#mask =np.zeros((height,width,1),np.uint8)
#灰度
gray = cv2.cvtColor(dam_img,cv2.COLOR_BGR2GRAY)
#2值化
_,mask = cv2.threshold(gray,150,255,cv2.THRESH_BINARY_INV)
#
# kernel_3X3 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))#构造卷积核
# mask_after_open = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel_3X3)#形态学
dst_fmm = cv2.inpaint(src=dam_img, inpaintMask=mask, inpaintRadius=3, flags=cv2.INPAINT_TELEA)
dst_ns = cv2.inpaint(dam_img,mask,10,cv2.INPAINT_NS)
cv2.imshow('dam_img',dam_img)
cv2.imshow('paint',mask)
cv2.imshow('Inpaint Output using FMM', dst_fmm)
cv2.imshow('Inpaint Output using ns',dst_ns)
cv2.waitKey(0)
def main():
rclpy.init()
node = OpenCVNode('opencvNode')
node.readImg('d3.jpg')
rclpy.spin(node)
rclpy.shutdown() 我本身测试了下，关键是掩模的天生，算法结果区别不大。简单图像对比明显的结果好，背景复杂的干扰项结果较差。结果好的：
https://i-blog.csdnimg.cn/direct/0a8ddaf32deb45dea86e3f285afff13f.png
https://i-blog.csdnimg.cn/direct/72d1c282db2549979d10bba455ef9d3b.png
结果欠好的修复
https://i-blog.csdnimg.cn/direct/1196be9d82f54cc08f08390795e86830.png
图片亮度增强
简单来说就是调解rgb的值。可以看看大佬们写的专业分析
8、OpenCV调解图像对比度和亮度_照片对比度csdn-CSDN博客
import cv2
import rclpy
from rclpy.node import Node
import numpy as np
import math
from ament_index_python.packages import get_package_share_directory #获取shares目录绝对路径
class OpenCVNode(Node):
def readImg(self,img_name: str):
default_image_path = get_package_share_directory('yahboom_esp32ai_car')+'/resource/'
self.get_logger().info(f'打开图片:{default_image_path}')
img = cv2.imread(default_image_path+img_name)
gamma_val = 0.5
#gamma
gamma_table = # 建立映射表
gamma_table = np.round(np.array(gamma_table)).astype(np.uint8)# 颜色值为整数
img_gamma = cv2.LUT(img, gamma_table)# 图片颜色查表。另外可以根据光强（颜色）均匀化原则设计自适应算法。
#
cv2.imshow('img',img)
cv2.imshow('img_gamma',img_gamma)
cv2.waitKey(0)
def main():
rclpy.init()
node = OpenCVNode('opencvNode')
node.readImg('20.jpg')
rclpy.spin(node)
rclpy.shutdown() 固然这里还有很多细节参数的，直接调解过大，图片处置处罚欠好容易过曝。
结果如下：
https://i-blog.csdnimg.cn/direct/e8fa41aef70a4541a6539206bbc5ef9a.png
图片磨皮
磨皮算法的焦点就是让皮肤区域的像素变得平滑，过渡自然，让皮肤看起来十分光滑。
我大概在网上搜了下，结果好一些的大佬重要包罗了两部分：滤波算法、皮肤区域检测、肤色提取等。这个比较复杂，由于不加区域的话，过滤完图片很多细节会丢失，所以需要指定区域去美化结果才好。
这里就先测试下opencv的单个函数，没有深入学习。简单相识下：双边滤波（Bilateral filter） 是一种非线性的滤波方法，是联合图像的空间邻近度和像素值相似度的一种折中处置处罚，同时考虑空域信息和灰度相似性，达到保边去噪的目标。具有简单、非迭代、局部的特点。双边滤波长处:对边沿信息有较好的保留，缺点:不能较好的消除噪声
推荐几个大佬写的，可以对比下大佬的结果：
https://zhuanlan.zhihu.com/p/407017507 这篇讲理论
人脸磨皮_cv 磨皮算法-CSDN博客
我的这个磨皮测试图片也是用的这个，明显照旧大佬的专业，结果好，推荐各人看看。
void bilateralFilter( InputArray src,
OutputArray dst,
int d,
double sigmaColor,
double sigmaSpace,
int borderType = BORDER_DEFAULT );
参数：
[*]第一个参数，InputArray范例的src，输入图像，即源图像，需要为8位或者浮点型单通道、三通道的图像。
[*]第二个参数，OutputArray范例的dst，即目标图像，需要和源图片有一样的尺寸和范例。
[*]第三个参数，int范例的d，表示在过滤过程中每个像素邻域的直径。如果这个值我们设其为非正数，那么OpenCV会从第五个参数sigmaSpace来计算出它来。
[*]第四个参数，double范例的sigmaColor，颜色空间滤波器的sigma
[*]。这个参数的值越大，就表明该像素邻域内有更宽广的颜色会被混淆到一起，产生较大的半相当颜色区域。
[*]第五个参数，double范例的sigmaSpace坐标空间中滤波器的sigma值，坐标空间的标注方差。他的数值越大，意味着越远的像素会相互影响，从而使更大的区域充足相似的颜色获取相同的颜色。当d>0，d指定了邻域大小且与sigmaSpace无关。否则，d正比于sigmaSpace。
[*]第六个参数，int范例的borderType，用于推断图像外部像素的某种界限模式。注意它有默认值BORDER_DEFAULT。
import cv2
import rclpy
from rclpy.node import Node
import numpy as np
import math
from ament_index_python.packages import get_package_share_directory #获取shares目录绝对路径
class OpenCVNode(Node):
def readImg(self,img_name: str):
default_image_path = get_package_share_directory('yahboom_esp32ai_car')+'/resource/'
self.get_logger().info(f'打开图片:{default_image_path}')
img = cv2.imread(default_image_path+img_name)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 进行离散傅里叶变换
#dft = cv2.dft(np.float32(gray), flags=cv2.DFT_COMPLEX_OUTPUT)
kernel = np.ones((3,3),np.float32)
kernel = kernel/9.
# 使用高斯滤波器对频域图像进行滤波
#blurred = cv2.GaussianBlur(img, (3, 3), 0)
smoothed = cv2.bilateralFilter(img, 10, 30, 30)
cv2.imshow('img',img)
cv2.imshow('smoothed',smoothed)
cv2.waitKey(0)
def main():
rclpy.init()
node = OpenCVNode('opencvNode')
node.readImg('9.jpg')
rclpy.spin(node)
rclpy.shutdown() 结果如下：
https://i-blog.csdnimg.cn/direct/b014bb0523d445c093953a3fa917927d.png
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]