白平衡——图像处理中的一种增强技术

重磅干货，第一时间送达

俗话说，一张图胜过千言万语。但是，如果它传达的内容与我们想看的内容不符怎么办？我们确定它应该来自那个图像，但不幸的是它不是很明显。如果说，有可能从一幅图像中发现我们想要了解的背景，并且很可能在这一过程中获得一些额外的见解，那会怎么样？

这就是我们今天要讨论的——图像增强！

图像增强由一组用于细化图像的技术组成。通过这种方式，图像在视觉上更容易被人类感知，这反过来将进一步促进改进的图像处理分析。图像增强处理技术包括：

1. 傅里叶变换

2. 白平衡

3. 直方图处理

对于这篇文章，讨论将围绕python中用于图像增强的各种白平衡算法的使用展开。但在此之前，让我们记录下基本库。

import numpy as np import matplotlib.pyplot as plt from skimage.io import imread, imshow

白平衡

首先，什么是白平衡（WB）？这是一个消除不切实际的色偏的色彩校正过程，以便在我们想要的图像中正确呈现白色的物体。我们将实施三种白平衡技术，它们是：

1. 白色补丁算法

2. 灰度世界算法

3. 地面真值算法

为了便于说明，我们将使用下图：

白色补丁算法

这种方法是一种典型的颜色恒定性适应方法，它搜索最亮的色块以用作白色参考，类似于人类视觉系统的做法。请注意，要在图像中观察到白色，RGB 颜色空间中的每个通道都应处于最大值。

Python中的代码实现：

def white_patch(image, percentile=100): """ White balance image using White patch algorithm Parameters ---------- image : numpy array Image to white balance percentile : integer, optional Percentile value to consider as channel maximum Returns ------- image_wb : numpy array White-balanced image """ white_patch_image = img_as_ubyte((image*1.0 / np.percentile(image,percentile, axis=(0, 1))).clip(0, 1)) return white_patch_image#call the function to implement white patch algorithmskio.imshow(white_patch(lily, 85))

使用白色补丁算法增强百合

正如所观察到的，可以看到图像变得相对更亮，中间的百合花变得非常鲜艳，这就是白色补丁算法如何增强图像的方式。接下来，让我们看看下一个算法。

灰度世界算法

灰度世界算法是一种白平衡方法，它假设图像平均为中性灰色。如果图像中的颜色分布良好，则灰度世界假设成立。考虑到这个假设为真，平均反射颜色被假设为光的颜色。因此，我们可以通过查看平均颜色并将其与灰色进行比较来估计照明色偏。

Python中的代码实现：

def gray_world(image): """ White balance image using Gray-world algorithm Parameters ---------- image : numpy array Image to white balance Returns ------- image_wb : numpy array White-balanced image """ image_grayworld = ((image * (access.mean() / image.mean(axis=(0,1)))). clip(0,255).astype(int)) # for images having a transparency channel if image.shape[2] == 4: image_grayworld[:,:,3] = 255 return image_grayworld#call the function to implement gray world algorithmskio.imshow(gray_world(lily))

使用灰度世界算法增强百合

如图，可以看出它与原始图像并没有太大的偏差，其原因之一可能是平均颜色及其与灰色的比较并不那么显著，然后让我们看看最后一个算法。

地面真值算法

到目前为止，我们已经对颜色空间在图像上的表现做了假设。现在，我们将选择一个补丁（图像的一部分）并使用该补丁重新创建我们想要的图像，而不是对增强图像做出假设。

为该图像选择的补丁程序如下所示：

from matplotlib.patches import Rectanglefig, ax = plt.subplots()ax.imshow(lily)ax.add_patch(Rectangle((650, 550), 100, 100, edgecolor='b', facecolor='none'));

补丁（包含在蓝色边框中）

补丁的放大图像

选择补丁后，我们现在将继续增强我们的图像。为此，我们可以采用两种方式：

1. 最大值方法— 将原始图像的每个通道归一化为该区域每个通道的最大值

2. 平均值在方法— 将原始图像的每个通道归一化为该区域每个通道的平均值

Python中的代码实现：

def ground_truth(image, patch, mode='mean'): """ White balance image using Ground-truth algorithm Parameters ---------- image : numpy array Image to white balancr patch : numpy array Patch of "true" white mode : mean or max, optional Adjust mean or max of each channel to match patch Returns ------- image_wb : numpy array White-balanced image """ image_patch = img_patch if mode == 'mean': image_gt = ((image * (image_patch.mean() / \ image.mean(axis=(0, 1))))\ .clip(0, 255)\ .astype(int)) if mode == 'max': image_gt = ((image * 1.0 / image_patch.max(axis (0,1))).clip(0, 1)) #transparency channel if image.shape[2] == 4: image_gt[:,:,3] = 255return image_gt

让我们看看两种模式的输出。

使用最大值方法：

skio.imshow(ground_truth(lily, img_patch, 'max'))

使用地面真值算法增强图像（最大值模式）

除了生动地强调百合之外，还可以观察到花朵周围的浮叶也得到了增强，绿色通道被极大地突出显示。让我们看看这与使用均值作为模式有何不同。

使用平均值方法：

skio.imshow(ground_truth(lily, img_patch, 'mean'))

使用地面真值算法增强图像（平均值模式）

输出稍微接近白色补丁输出，但后者更亮。它还强调了百合花的颜色，但它没有突出浮叶的颜色，只是提亮了它。

对于地面真值算法，输出图像很大程度上取决于补丁图像的选择。因此，通过可视化我们想要获得什么样的增强图像来明智地选择补丁。

我们现在可以使用 3 种不同的方法来增强图像。

下载1：OpenCV-Contrib扩展模块中文版教程