Python图像处理中图像增广算法介绍

日期：2023-12-09 22:15:03来源：浏览：

前言

图像增广算法在计算机视觉领域扮演着至关重要的角色。随着深度学习的兴起，大规模数据集的需求变得更加迫切，而图像增广算法可以通过对原始图像进行一系列变换，扩充数据集，从而提升模型的泛化能力和鲁棒性。

本文将着重介绍图像增广算法中的三个关键方面：图像旋转、图像亮度调整以及图像裁剪与拼接。这些算法不仅能够增加训练数据的多样性，还可以帮助我们解决一些实际问题，例如旋转不变性、光照变化以及物体完整性等。

图像增广算法

这里我们将使用一些Python优秀的第三方库来完成。在图像增广方面，有许多可供选择的第三方库，如PIL/Pillow、OpenCV、scikit-image等。而在PyTorch中也提供了一些图像增广的函数，虽然图像增广算法在PyTorch中也属于预处理的一部分，但为了方便起见，我们仍然选择使用大家较为熟悉的OpenCV库，而不使用PyTorch。

a.图像旋转

def Rotated_image(img, angle = 45, scale = 1.0):    height, width = img.shape[:2]    center = (width // 2, height // 2)    matrix = cv2.getRotationMatrix2D(center, angle, scale) #旋转中心，旋转角度，缩放比例    rotated_image = cv2.warpAffine(img, matrix, (width, height))    return rotated_image

通过cv2.getRotationMatrix2D函数计算旋转矩阵，然后使用cv2.warpAffine函数执行旋转操作。最后，使用cv2.imshow函数显示旋转前后的图像。

实验结果：

原始图片与旋转图片

b.图像亮度调整

def Adjusted_image(img,brightness_factor = 1.5):    image_float = img.astype(np.float32)    adjusted_image = image_float * brightness_factor    # 将图像像素值限制在[0, 255]范围内    adjusted_image = np.clip(adjusted_image, 0, 255)    adjusted_image = adjusted_image.astype(np.uint8)    return adjusted_image

将图像转换为浮点型数据类型。然后，通过乘以一个亮度调整因子来调整图像的亮度，这里的亮度调整因子可以根据具体需求进行调整。接下来，我们使用np.clip函数将图像像素值限制在[0, 255]范围内，避免溢出。最后，我们将图像转换回无符号8位整数类型，并显示调整后的图像。

实验结果：

原始图片与亮度调整图片

c.图像裁剪及拼接

裁剪

def Cut_image(image,coordinate, Leath, save=True, saveFile=''):    x, y=coordinate[0],coordinate[1]    width, height=Leath[0],Leath[1]    h, w = image.shape[:2]    cropped_image = image[y:y + height, x:x + width]    padded_image = np.full((h, w, 3), 128, dtype=np.uint8)    x_offset = (w - width) // 2    y_offset = (h - height) // 2    padded_image[y_offset:y_offset + height, x_offset:x_offset + width] = cropped_image    if save:        cv2.imwrite(saveFile,cropped_image)    return padded_image

此功能为裁剪图像并用灰色填充不足的部分。添加了保存功能，默认不使用。

实验结果：

裁剪图像并用灰色填充

拼接

def Stitcher_image(image_paths):    stitcher = cv2.Stitcher_create()    images = []    for path in image_paths:        img = cv2.imread(path)        if img is not None:            images.append(img)    if len(images) < 2:        print('至少需要两个图像进行拼接')        return    (status, stitched_image) = stitcher.stitch(images)    if status == cv2.Stitcher_OK:        return stitched_image    else:        print('图像拼接失败')

输入图片路径组成的列表，数量大于等于2才可进行拼接。下图是经过裁剪后保存的图片，原图片似乎因为较小，拼接时无法成功，经过放大再裁剪后拼接，实验成功。

实验结果：

拼接的图像

实验分析

实验图片：300x300，Leopard_cat.png

本次实验采用一张300x300大小的梅狸猫图片进行实验，并进行了图像旋转、图像亮度调整以及图像裁剪与拼接，效果均达到我的预期，在图像裁剪的过程中，因为考虑到做的是数据增广，所以添加了灰度条，保证裁剪后的图片大小与原始图片相同；拼接的图片似乎不能太小，可能会拼接失败，本实验经过图片进行放大后裁剪后拼接，实验成功。

关于拼接出现黑边的分析：

在实验过程中，我们注意到拼接后的图像边缘可能会出现一些黑边。这是由于图像拼接算法的工作原理所致，它会尝试将图像进行平滑过渡，以便在拼接处产生较少的不连续性。在一些情况下，这可能会导致边缘处的像素值略微偏暗，从而形成黑边。

虽然这些黑边可能对整体图像的观感产生一些影响，但通常情况下它们并不会严重干扰图像的内容。如果你认为黑边对你的应用场景有较大影响，您可以尝试进行后处理来减轻或消除黑边的影响。如边缘增强、图像修复或边缘填充等，来改善黑边问题。

总的来说，尽管在图像拼接过程中可能会出现一些黑边，但这并不会严重影响整体的拼接结果。通过适当的后处理方法，我们可以进一步改善图像的外观，并获得更好的拼接效果。