Qual è il modo più rapido per aumentare il contrasto dell'immagine a colori con OpenCV in python (cv2)?

Question

Sto usando OpenCV per elaborare alcune immagini e uno dei primi passi che devo eseguire è aumentare il contrasto dell'immagine su un'immagine a colori. Il metodo più veloce che ho trovato finora utilizza questo codice (dove np è l'importazione NumPy) per moltiplicare e aggiungere come suggerito nella original C-based cv1 docs:

if (self.array_alpha is None): 
     self.array_alpha = np.array([1.25]) 
     self.array_beta = np.array([-100.0]) 

    # add a beta value to every pixel 
    cv2.add(new_img, self.array_beta, new_img)      

    # multiply every pixel value by alpha 
    cv2.multiply(new_img, self.array_alpha, new_img) 

Esiste un modo più veloce per fare questo in Python? Ho provato a usare moltiplicare scalare di Numpy, ma la performance è in realtà peggiore. Ho anche provato a utilizzare cv2.convertScaleAbs (i documenti OpenCV suggerivano di usare convertTo, ma cv2 sembra mancare un'interfaccia per questa funzione), ma ancora una volta le prestazioni erano peggiori nei test.

Answer 1

L'aritmetica semplice negli array numpy è la più veloce, come ha commentato Abid Rahaman K.

Usa questa immagine per esempio: http://i.imgur.com/Yjo276D.png

Ecco un po 'di elaborazione delle immagini che assomiglia luminosità/contrasto manipolazione:

''' 
Simple and fast image transforms to mimic: 
- brightness 
- contrast 
- erosion 
- dilation 
''' 

import cv2 
from pylab import array, plot, show, axis, arange, figure, uint8 

# Image data 
image = cv2.imread('imgur.png',0) # load as 1-channel 8bit grayscale 
cv2.imshow('image',image) 
maxIntensity = 255.0 # depends on dtype of image data 
x = arange(maxIntensity) 

# Parameters for manipulating image data 
phi = 1 
theta = 1 

# Increase intensity such that 
# dark pixels become much brighter, 
# bright pixels become slightly bright 
newImage0 = (maxIntensity/phi)*(image/(maxIntensity/theta))**0.5 
newImage0 = array(newImage0,dtype=uint8) 

cv2.imshow('newImage0',newImage0) 
cv2.imwrite('newImage0.jpg',newImage0) 

y = (maxIntensity/phi)*(x/(maxIntensity/theta))**0.5 

# Decrease intensity such that 
# dark pixels become much darker, 
# bright pixels become slightly dark 
newImage1 = (maxIntensity/phi)*(image/(maxIntensity/theta))**2 
newImage1 = array(newImage1,dtype=uint8) 

cv2.imshow('newImage1',newImage1) 

z = (maxIntensity/phi)*(x/(maxIntensity/theta))**2 

# Plot the figures 
figure() 
plot(x,y,'r-') # Increased brightness 
plot(x,x,'k:') # Original image 
plot(x,z, 'b-') # Decreased brightness 
#axis('off') 
axis('tight') 
show() 

# Close figure window and click on other window 
# Then press any keyboard key to close all windows 
closeWindow = -1 
while closeWindow<0: 
    closeWindow = cv2.waitKey(1) 
cv2.destroyAllWindows() 

immagine originale in scala di grigi:

Immagine luminosa che sembra dilatata:

immagine Darkened che sembra essere eroso, affilato, con maggior contrasto:

Come le intensità dei pixel si stanno trasformando:

Se gioca con i valori di phi e theta puoi diventare davvero interessante tcomes. Puoi anche implementare questo trucco per i dati delle immagini multicanale.

--- EDIT ---

uno sguardo ai concetti di 'livelli' e 'curve' su this youtube video che mostrano l'editing di immagini in Photoshop. L'equazione per la trasformazione lineare crea la stessa quantità di "livello" di cambiamento su ogni pixel. Se si scrive un'equazione che può discriminare tra tipi di pixel (ad esempio quelli che sono già di un certo valore), è possibile modificare i pixel in base alla "curva" descritta da tale equazione.

Answer 2

provare questo codice:

import cv2 

img = cv2.imread('sunset.jpg', 1) 
cv2.imshow("Original image",img) 

# CLAHE (Contrast Limited Adaptive Histogram Equalization) 
clahe = cv2.createCLAHE(clipLimit=3., tileGridSize=(8,8)) 

lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB) # convert from BGR to LAB color space 
l, a, b = cv2.split(lab) # split on 3 different channels 

l2 = clahe.apply(l) # apply CLAHE to the L-channel 

lab = cv2.merge((l2,a,b)) # merge channels 
img2 = cv2.cvtColor(lab, cv2.COLOR_LAB2BGR) # convert from LAB to BGR 
cv2.imshow('Increased contrast', img2) 
#cv2.imwrite('sunset_modified.jpg', img2) 

cv2.waitKey(0) 
cv2.destroyAllWindows() 

tramonto prima: Tramonto dopo un aumento di contrasto: