白平衡——图像处理中的一种增强技术
白平衡——图像处理中的一种增强技术
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：
- 傅里叶变换
- 白平衡
- 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：
- 白色补丁算法
- 灰度世界算法
- 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 algorithm
skio.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 algorithm
skio.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 Rectangle
fig, 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：
- 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
- 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] = 255
return 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。
![[Python图像处理] 一.图像处理基础知识及OpenCV入门函数](https://ask.qcloudimg.com/http-save/yehe-8243071/d257b16ac7b7382da54554c81e07ce88.png)
![[Python图像处理] 十五.图像的灰度线性变换](https://developer.qcloudimg.com/http-save/yehe-8243071/a816fd377e66c15b780aced1ee293a94.jpg)
![[Python图像处理] 十七.图像锐化与边缘检测之Roberts、Prewitt、Sobel和Laplacian算子](https://developer.qcloudimg.com/http-save/yehe-8243071/9bcad15856d712c813e967e2854c7a20.jpg)
![[Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波、中值滤波及双边滤波](https://ask.qcloudimg.com/http-save/yehe-8243071/caabe3b88c5d8563e8f27cb0cbca03c2.png)
腾讯云开发者
