使用 OpenCV 恢复图像以增强细节

Question

我正在尝试恢复和增强多张照片的图像细节。我试图通过增加cv2.filter2D() 和simple kernels 的清晰度来显示细节。

我已经尝试过边缘检测内核

[-1 -1 -1]
[-1  9 -1]
[-1 -1 -1]

还有一个锐化的内核

[ 0 -1  0]
[-1  5 -1]
[ 0 -1  0]

但结果看起来颗粒状且不自然。为了消除噪音，我尝试了cv2.medianBlur() 和cv2.GaussianBlur() 等模糊技术，但效果并不理想。图像背景模糊或较暗，这使得特征难以区分。有没有更好的方法来显示更多细节，尤其是在背景中？对 Python 或 C++ 开放

输入图像

当前结果

import numpy as np
import cv2

img = cv2.imread('people.jpg')
grayscale = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# edge_kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
sharpen_kernel = np.array([[0,-1,0], [-1,5,-1], [0,-1,0]])
img = cv2.filter2D(grayscale, -1, sharpen_kernel)

# Smooth out image
# blur = cv2.medianBlur(img, 3)
blur = cv2.GaussianBlur(img, (3,3), 0)

cv2.imshow('img',img)
cv2.imwrite('img.png',img)
cv2.imshow('blur',blur)
cv2.waitKey(0)

Answer 1

您可以使过滤器变弱，例如

sharpen_kernel = np.array([[0,-.5,0], [-.5,3,-.5], [0,-.5,0]])

或者可以尝试不锐化蒙版

gaussian_3 = cv2.GaussianBlur(grayscale, (9,9), 10.0)
img = cv2.addWeighted(img, 1.5, gaussian_3, -0.5, 0, img)

Answer 2

您可以尝试应用保边高斯滤波来代替GaussianBlur。

比如你可以试试bilateral filter或者guided filter

有 OpenCV 实现，但我从未尝试过。

以下 MATLAB 代码演示了过滤器：

I = rgb2gray(im2double(imread('I.jpg')));

G = imguidedfilter(I, 'DegreeOfSmoothing', 0.005);
J = imsharpen(G, 'Amount', 2);

figure;imshow(J)

B = imbilatfilt(I);
K = imsharpen(B, 'Amount', 2);
figure;imshow(K)

引导过滤器：

双边过滤器：

Answer 3

Histogram equalization 可以在这里通过扩展强度范围来提高灰度图像的对比度。这是输入图像的直方图的可视化

from matplotlib import pyplot as plt
import cv2

# Load in image as grayscale
image = cv2.imread('1.jpg', 0)

plt.hist(image.ravel(), 256, [0,256])

像素聚集在中等强度附近。为了增加图像的对比度，直方图均衡化在整个范围内拉伸强度值以获得更宽和更均匀的分布。你可以使用内置函数cv2.equalizeHist()

equalize = cv2.equalizeHist(image)
plt.hist(equalize.ravel(), 256, [0,256])

强度范围现在均匀分布。直方图均衡考虑了图像的全局对比度，当图像的直方图被限制在特定区域时效果很好。这是结果

---

在某些情况下，如果大区域存在强度变化，则 CLAHE（对比度受限自适应直方图均衡）可能会更好。 CLAHE 在 OpenCV 中实现为 cv2.createCLAHE()

clahe = cv2.createCLAHE().apply(image)
plt.hist(clahe.ravel(), 256, [0,256])

此变体在执行自适应直方图均衡之前将像素划分为小块。

这是两种方法之间的可视化

Answer 4

只是为了比较，我有一个 ImageMagick 脚本，它可以进行空间自适应对比度增强（称为空间）。见http://www.fmwconcepts.com/imagemagick。

输入：

space -c 2 -w 20 img.jpg result.png

更多细节，但有点颗粒感。

这是我的变体 space2 的结果，这可能会让你更满意。

space2 -w 5 -m 10 img.jpg result_space2_w5_m10.jpg

解释：

SPACE2 是一种增强图像亮度和对比度的自适应技术。 SPACE 是空间自适应对比度增强的缩写。

自适应公式 R = M + G*(I-M)。这里 R 是生成的图像。我是输入图像。 M 是平均图像，它是输入图像的低通滤波版本。它是通过将输入图像的块大小调整为输入大小的一部分来生成的。调整大小量是根据窗口大小计算的。然后将该图像重新扩展为其原始大小。调整大小技术是应用大块大小移动窗口平均值的快速方法。术语 (I-M) 是输入图像的高通滤波版本。 G 是一个增益图像，它涉及 S，即输入图像的标准偏差，由与用于创建平均图像 M 相同的大小调整技术生成。G 还包括所需的标准偏差 (dstd) 和最大增益因子。增益图像 G 用于设置输出中的细节量（锐度）以及限制失控增益。最大增益通常约为 1-10，默认值为 2.5。块窗口大小通常约为图像大小的 5-20%，名义上为 8%。有时，人们可能希望将最大增益值推到高于默认值，例如，当试图从模糊图片中提取信息时。该算法具有控制亮度、对比度和饱和度的选项。亮度和对比度已自动计算出取决于图像的默认值。它们通过 sigmoidal 非线性函数应用。饱和度是 LAB 色彩空间中的线性调整，默认不变。