前言

对于光照不均匀的图像,用通常的图像分割方法不能取得满意的效果。为了解决这个问题，论文《一种基于亮度均衡的图像阈值分割技术》提出了一种实用而简便的图像分割方法。该方法针对图像中不同亮度区域进行亮度补偿,使得整个图像亮度背景趋于一致后,再进行常规的阈值分割。实验结果表明，用该方法能取得良好的分割效果。关于常规的阈值分割不是我这篇推文关注的，我这里只实现前面光照补偿的部分。算法的原理可以仔细看论文。论文原文见附录。

算法步骤

• 如果是RGB图需要转化成灰度图。
• 求取原始图src的平均灰度，并记录rows和cols。
• 按照一定大小，分为个方块，求出每块的平均值，得到子块的亮度矩阵。
• 用矩阵的每个元素减去原图的平均灰度，得到子块的亮度差值矩阵。
• 用双立方插值法，将矩阵 resize成和原图一样大小的亮度分布矩阵。
• 得到矫正后的图像：。

代码实现

Mat speed_rgb2gray(Mat src) { Mat dst(src.rows, src.cols, CV_8UC1);#pragma omp parallel for num_threads(12)   for (int i = 0; i < src.rows; i++) {        for (int j = 0; j < src.cols; j++) {            dst.at(i, j) = ((src.at(i, j)[0] << 18) + (src.at(i, j)[0] << 15) + (src.at(i, j)[0] << 14) +               (src.at(i, j)[0] << 11) + (src.at(i, j)[0] << 7) + (src.at(i, j)[0] << 7) + (src.at(i, j)[0] << 5) +              (src.at(i, j)[0] << 4) + (src.at(i, j)[0] << 2) +               (src.at(i, j)[1] << 19) + (src.at(i, j)[1] << 16) + (src.at(i, j)[1] << 14) + (src.at(i, j)[1] << 13) +               (src.at(i, j)[1] << 10) + (src.at(i, j)[1] << 8) + (src.at(i, j)[1] << 4) + (src.at(i, j)[1] << 3) + (src.at(i, j)[1] << 1) +              (src.at(i, j)[2] << 16) + (src.at(i, j)[2] << 15) + (src.at(i, j)[2] << 14) + (src.at(i, j)[2] << 12) +               (src.at(i, j)[2] << 9) + (src.at(i, j)[2] << 7) + (src.at(i, j)[2] << 6) + (src.at(i, j)[2] << 5) + (src.at(i, j)[2] << 4) + (src.at(i, j)[2] << 1) >> 20);        } } return dst;}Mat unevenLightCompensate(Mat src, int block_Size) {  int row = src.rows;  int col = src.cols;  Mat gray(row, col, CV_8UC1);  if (src.channels() == 3) {      gray = speed_rgb2gray(src);  } else {        gray = src;  } float average = mean(gray)[0];   int new_row = ceil(1.0 * row / block_Size);  int new_col = ceil(1.0 * col / block_Size);  Mat new_img(new_row, new_col, CV_32FC1);  for (int i = 0; i < new_row; i++) {     for (int j = 0; j < new_col; j++) {         int rowx = i * block_Size;           int rowy = (i + 1) * block_Size;            int colx = j * block_Size;           int coly = (j + 1) * block_Size;            if (rowy > row) rowy = row;           if (coly > col) coly = col;           Mat ROI = src(Range(rowx, rowy), Range(colx, coly));         float block_average = mean(ROI)[0];          new_img.at(i, j) = block_average;        } } new_img = new_img - average; Mat new_img2; resize(new_img, new_img2, Size(row, col), (0, 0), (0, 0), INTER_CUBIC);   Mat new_src;  gray.convertTo(new_src, CV_32FC1);    Mat dst = new_src - new_img2;    dst.convertTo(dst, CV_8UC1);  return dst;}

效果

可以看到经过这个算法处理之后，亮度确实被均衡了一些，从视觉效果上来看还是有作用的。

附录

• 论文原文：https://wenku.baidu.com/view/f74cc087e53a580216fcfe52.html?from=search

同期文章

• OpenCV图像处理专栏一 | 盘点常见颜色空间互转
• OpenCV图像处理专栏二 |《Local Color Correction 》论文阅读及C++复现
• OpenCV图像处理专栏三 | 灰度世界算法原理和实现
• OpenCV图像处理专栏四 | 自动白平衡之完美反射算法原理及C++实现
• OpenCV图像处理专栏五 | ACE算法论文解读及实现
• OpenCV图像处理专栏六 | 来自何凯明博士的暗通道去雾算法(CVPR 2009最佳论文)
• OpenCV图像处理专栏七 | 直方图均衡化算法及代码实现
• OpenCV图像处理专栏八 | 《Contrast image correction method》 论文阅读及代码实现
• OpenCV图像处理专栏九 | 基于直方图的快速中值滤波算法
• OpenCV图像处理专栏十 | 利用中值滤波进行去雾
• OpenCV图像处理专栏十一 | IEEE Xplore 2015的图像白平衡处理之动态阈值法
• OpenCV图像处理专栏十二 |《基于二维伽马函数的光照不均匀图像自适应校正算法》
• OpenCV图像处理专栏十三 | 利用多尺度融合提升图像细节
• OpenCV图像处理专栏十四 | 基于Retinex成像原理的自动色彩均衡算法(ACE)

欢迎关注GiantPandaCV, 在这里你将看到独家的深度学习分享，坚持原创，每天分享我们学习到的新鲜知识。( • ̀ω•́ )✧

有对文章相关的问题，或者想要加入交流群，欢迎添加BBuf微信：