Python圖像處理之圖像增廣算法詳解

更新時間：2023年05月12日 14:05:22 作者：夏天是冰紅茶

圖像增廣算法在計算機視覺領域扮演著至關重要的角色，本文將著重介紹圖像增廣算法中的三個關鍵方面：圖像旋轉、圖像亮度調整以及圖像裁剪與拼接，感興趣的可以了解一下

前言

圖像增廣算法在計算機視覺領域扮演著至關重要的角色。隨著深度學習的興起，大規(guī)模數(shù)據(jù)集的需求變得更加迫切，而圖像增廣算法可以通過對原始圖像進行一系列變換，擴充數(shù)據(jù)集，從而提升模型的泛化能力和魯棒性。

本文將著重介紹圖像增廣算法中的三個關鍵方面：圖像旋轉、圖像亮度調整以及圖像裁剪與拼接。這些算法不僅能夠增加訓練數(shù)據(jù)的多樣性，還可以幫助我們解決一些實際問題，例如旋轉不變性、光照變化以及物體完整性等。

圖像增廣算法

這里我們將使用一些Python優(yōu)秀的第三方庫來完成。在圖像增廣方面，有許多可供選擇的第三方庫，如PIL/Pillow、OpenCV、scikit-image等。而在PyTorch中也提供了一些圖像增廣的函數(shù)，雖然圖像增廣算法在PyTorch中也屬于預處理的一部分，但為了方便起見，我們仍然選擇使用大家較為熟悉的OpenCV庫，而不使用PyTorch。

a.圖像旋轉

def Rotated_image(img, angle = 45, scale = 1.0):
    height, width = img.shape[:2]
    center = (width // 2, height // 2)
    matrix = cv2.getRotationMatrix2D(center, angle, scale) #旋轉中心，旋轉角度，縮放比例
    rotated_image = cv2.warpAffine(img, matrix, (width, height))
    return rotated_image

通過cv2.getRotationMatrix2D函數(shù)計算旋轉矩陣，然后使用cv2.warpAffine函數(shù)執(zhí)行旋轉操作。最后，使用cv2.imshow函數(shù)顯示旋轉前后的圖像。

實驗結果：

原始圖片與旋轉圖片

b.圖像亮度調整

def Adjusted_image(img,brightness_factor = 1.5):
    image_float = img.astype(np.float32)
    adjusted_image = image_float * brightness_factor
    # 將圖像像素值限制在[0, 255]范圍內
    adjusted_image = np.clip(adjusted_image, 0, 255)
    adjusted_image = adjusted_image.astype(np.uint8)
    return adjusted_image

將圖像轉換為浮點型數(shù)據(jù)類型。然后，通過乘以一個亮度調整因子來調整圖像的亮度，這里的亮度調整因子可以根據(jù)具體需求進行調整。接下來，我們使用np.clip函數(shù)將圖像像素值限制在[0, 255]范圍內，避免溢出。最后，我們將圖像轉換回無符號8位整數(shù)類型，并顯示調整后的圖像。

實驗結果：

原始圖片與亮度調整圖片

c.圖像裁剪及拼接

裁剪

def Cut_image(image,coordinate, Leath, save=True, saveFile=''):
    x, y=coordinate[0],coordinate[1]
    width, height=Leath[0],Leath[1]
    h, w = image.shape[:2]
    cropped_image = image[y:y + height, x:x + width]
    padded_image = np.full((h, w, 3), 128, dtype=np.uint8)
    x_offset = (w - width) // 2
    y_offset = (h - height) // 2
    padded_image[y_offset:y_offset + height, x_offset:x_offset + width] = cropped_image
    if save:
        cv2.imwrite(saveFile,cropped_image)
    return padded_image

此功能為裁剪圖像并用灰色填充不足的部分。添加了保存功能，默認不使用。

實驗結果：

裁剪圖像并用灰色填充

拼接

def Stitcher_image(image_paths):
    stitcher = cv2.Stitcher_create()
    images = []
    for path in image_paths:
        img = cv2.imread(path)
        if img is not None:
            images.append(img)
    if len(images) < 2:
        print('至少需要兩個圖像進行拼接')
        return
    (status, stitched_image) = stitcher.stitch(images)
    if status == cv2.Stitcher_OK:
        return stitched_image
    else:
        print('圖像拼接失敗')

輸入圖片路徑組成的列表，數(shù)量大于等于2才可進行拼接。下圖是經過裁剪后保存的圖片，原圖片似乎因為較小，拼接時無法成功，經過放大再裁剪后拼接，實驗成功。

實驗結果：

拼接的圖像

實驗分析

實驗圖片：300x300，Leopard_cat.png

本次實驗采用一張300x300大小的梅貍貓圖片進行實驗，并進行了圖像旋轉、圖像亮度調整以及圖像裁剪與拼接，效果均達到我的預期，在圖像裁剪的過程中，因為考慮到做的是數(shù)據(jù)增廣，所以添加了灰度條，保證裁剪后的圖片大小與原始圖片相同；拼接的圖片似乎不能太小，可能會拼接失敗，本實驗經過圖片進行放大后裁剪后拼接，實驗成功。

關于拼接出現(xiàn)黑邊的分析：

在實驗過程中，我們注意到拼接后的圖像邊緣可能會出現(xiàn)一些黑邊。這是由于圖像拼接算法的工作原理所致，它會嘗試將圖像進行平滑過渡，以便在拼接處產生較少的不連續(xù)性。在一些情況下，這可能會導致邊緣處的像素值略微偏暗，從而形成黑邊。

雖然這些黑邊可能對整體圖像的觀感產生一些影響，但通常情況下它們并不會嚴重干擾圖像的內容。如果你認為黑邊對你的應用場景有較大影響，您可以嘗試進行后處理來減輕或消除黑邊的影響。如邊緣增強、圖像修復或邊緣填充等，來改善黑邊問題。

總的來說，盡管在圖像拼接過程中可能會出現(xiàn)一些黑邊，但這并不會嚴重影響整體的拼接結果。通過適當?shù)暮筇幚矸椒?，我們可以進一步改善圖像的外觀，并獲得更好的拼接效果。