计算对比图

Question

我正在尝试计算NxN 窗口中每个像素周围的对比度，并将结果保存在新图像中，其中新图像中的每个像素都是旧图像中它周围区域的对比度。从另一个帖子我得到了这个：

1) Convert the image to say LAB and get the L channel
2) Compute the max for an NxN neighborhood around each pixel
3) Compute the min for an NxN neighborhood around each pixel
4) Compute the contrast from the equation above at each pixel.
5) Insert the contrast as a pixel value in new image.

目前我有以下：

def cmap(roi):
    max = roi.reshape((roi.shape[0] * roi.shape[1], 3)).max(axis=0)
    min = roi.reshape((roi.shape[0] * roi.shape[1], 3)).min(axis=0)
    contrast = (max - min) / (max + min)
    return contrast


def cm(img):
    # convert to LAB color space
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)

    # separate channels
    L, A, B = cv2.split(lab)

    img_shape = L.shape

    size = 5

    shape = (L.shape[0] - size + 1, L.shape[1] - size + 1, size, size)
    strides = 2 * L.strides
    patches = np.lib.stride_tricks.as_strided(L, shape=shape, strides=strides)
    patches = patches.reshape(-1, size, size)

    output_img = np.array([cmap(roi) for roi in patches])
    cv2.imwrite("labtest.png", output_img)

代码抱怨 roi 的大小。有没有更好的（pythonic）方式来做我想做的事？

Answer 1

您可以使用 Dilation 和 Erosion 形态学运算来找到 NxN 邻域的最大值和最小值。

• NxN 的扩张相当于 NxN 邻域的最大值。
• NxN 的侵蚀相当于 NxN 邻域的最小值。

使用形态学操作使解决方案比“手动”将图像分成小块要简单得多。

您可以使用以下阶段：

• 转换为 LAB 色彩空间并获得 L 通道。
• 使用“扩张”形态学运算（扩张相当于在 NxN 邻域中找到最大像素）。
• 使用“侵蚀”形态学运算（扩张相当于在 NxN 邻域中找到最大像素）。
• 将图像转换为浮点型（在使用除法运算之前需要）。
• 计算对比图（对比图范围为 [0, 1]）。
• 将对比度映射转换为 uint8 类型并进行舍入 - 转换会降低精度，因此我不推荐它（但我假设您需要转换才能将输出作为图像）。

这是一个完整的代码示例：

import numpy as np
import cv2

size_n = 5 # NxN neighborhood around each pixel

# Read input image
img = cv2.imread('chelsea.png')

# Convert to LAB color space
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)

# Get the L channel
L = lab[:, :, 0]

# Use "dilate" morphological operation (dilate is equivalent to finding maximum pixel in NxN neighborhood)
img_max = cv2.morphologyEx(L, cv2.MORPH_DILATE, np.ones((size_n, size_n)))

# Use "erode" morphological operation (dilate is equivalent to finding maximum pixel in NxN neighborhood)
img_min = cv2.morphologyEx(L, cv2.MORPH_ERODE, np.ones((size_n, size_n)))

# Convert to type float (required before using division operation)
img_max = img_max.astype(float)
img_min = img_min.astype(float)

# Compute contrast map (range of img_contrast is [0, 1])
img_contrast = (img_max - img_min) / (img_max + img_min)

# Convert contrast map to type uint8 with rounding - the conversion loosed accuracy, so I can't recommend it.
# Note: img_contrast_uint8 is scaled by 255 (scaled by 255 relative to the original formula).
img_contrast_uint8 = np.round(img_contrast*255).astype(np.uint8)

# Show img_contrast as output
cv2.imshow('img_contrast', img_contrast_uint8)
cv2.waitKey()
cv2.destroyAllWindows()

---

输入图片：

L 图片：

img_max:

img_min:

对比图img_contrast_uint8: