«Растягивание» гистограмм (уровней) в Numpy, Python
У меня есть изображение в градациях серого, фон которого в цветовой шкале 0-255 имеет средне-белый цвет со средним значением цвета пикселя 246; передний план средне-серый со средним значением цвета пикселя 186.
Я хотел бы «сдвинуть» каждый пиксель выше 246 до 255, каждый пиксель ниже 186 до нуля и «растянуть» все между ними. Есть ли какой-либо готовый алгоритм/процесс для этого в numpy или python, или новые уровни/гистограмма должны быть рассчитаны «вручную» (как я делал до сих пор)?
Это эквивалентно открытию окна уровней в Gimp или Photoshop и выбору с помощью белой и черной пипетки соответственно светлой области, которую мы хотим сделать белой, и более темной области, которую мы хотим сделать черной: приложение изменяет уровни/ гистограмма («растягивает» значения между выбранными точками) соответственно.
Некоторые изображения того, что я пытаюсь:
Происходит довольно много вещей, но я попытался суммировать все это в нескольких скриншотах.
Примечание: причина, по которой я делаю это, заключается в том, что существующие алгоритмы приводят к тому, что текст, хотя и черный, имеет недостающие участки и пробелы. Однако OpenCv довольно хорошо находит отсчеты, и я использую их для создания маски, которая определяет, какие регионы должны быть усреднены, и именно это дает два значения, которые нужно сбить вверх и вниз.
См. также: Выравнивание гистограммы изображений в градациях серого с помощью NumPy
Вы можете сделать именно то, что вы описали: (1) Порог для всех пикселей выше 246 до 255 (2) Порог для всех пикселей ниже 186 до нуля (3) Нормализовать все пиксели между ними до максимума 244. Я не думаю, что есть какой-либо готовый алгоритм для этого, так как все 3 шага для достижения желаемого результата тривиальны.
Ответы 2
Вот один из способов -
def stretch(a, lower_thresh, upper_thresh):
r = 255.0/(upper_thresh-lower_thresh+2) # unit of stretching
out = np.round(r*(a-lower_thresh+1)).astype(a.dtype) # stretched values
out[a<lower_thresh] = 0
out[a>upper_thresh] = 255
return out
Согласно OP, набор критериев был:
«сдвиньте» каждый пиксель выше
246на255, следовательно,247и выше должны стать255.каждый пиксель ниже
186доzero, следовательно,185и ниже должен стать0.Следовательно, исходя из двух вышеупомянутых требований,
186должно стать чем-то большим, чем0, и так далее, пока246не станет меньше255.
Кроме того, мы также можем использовать np.where, чтобы сделать его немного более компактным -
def stretch(a, lower_thresh, upper_thresh):
r = 255.0/(upper_thresh-lower_thresh+2) # unit of stretching
out = np.round(r*np.where(a>=lower_thresh,a-lower_thresh+1,0)).clip(max=255)
return out.astype(a.dtype)
Пробный запуск -
# check out first row input, output for variations
In [216]: a
Out[216]:
array([[186, 187, 188, 246, 247],
[251, 195, 103, 9, 211],
[ 21, 242, 36, 87, 70]], dtype=uint8)
In [217]: stretch(a, lower_thresh=186, upper_thresh=246)
Out[217]:
array([[ 4, 8, 12, 251, 255],
[255, 41, 0, 0, 107],
[ 0, 234, 0, 0, 0]], dtype=uint8)
Оба ответа хороши, но вы выбрали этот из-за его объяснительных качеств (для тех, кто изучает python).
Если ваше изображение uint8 и имеет типичный размер изображения, одним из эффективных методов является настройка таблицы поиска:
L, H = 186, 246
lut = np.r_[0:0:(L-1)*1j, 0.5:255.5:(H-L+3)*1j, 255:255:(255-H-1)*1j].astype('u1')
# example
from scipy.misc import face
f = face()
rescaled = lut[f]
Для небольших изображений быстрее (в моей настройке он пересекается около 100 000 пикселей шкалы серого) для прямого преобразования:
fsmall = (f[::16, ::16].sum(2)//3).astype('u1')
slope = 255/(H-L+2)
rescaled = ((1-L+0.5/slope+fsmall)*slope).clip(0, 255).astype('u1')
Пожалуйста, покажите, что вы пробовали, возможно, с изображением.