Was ist der schnellste Weg, um den Farbkontrast mit OpenCV in Python (cv2) zu erhöhen?

Question

Ich verwende OpenCV, um einige Bilder zu verarbeiten, und einer der ersten Schritte, die ich ausführen muss, ist die Erhöhung des Bildkontrastes auf einem Farbbild. Die schnellste Methode, die ich bisher gefunden habe verwendet diesen Code (wo np der numpy Import) zu multiplizieren und fügen Sie wie im original C-based cv1 docs vorgeschlagen:

if (self.array_alpha is None): 
     self.array_alpha = np.array([1.25]) 
     self.array_beta = np.array([-100.0]) 

    # add a beta value to every pixel 
    cv2.add(new_img, self.array_beta, new_img)      

    # multiply every pixel value by alpha 
    cv2.multiply(new_img, self.array_alpha, new_img) 

Gibt es einen schnelleren Weg, dies in Python zu tun? Ich habe versucht, stattdessen numpy skalar zu verwenden, aber die Leistung ist eigentlich schlechter. Ich habe auch versucht, cv2.convertScaleAbs (die OpenCV-Dokumente vorgeschlagen mit convertTo, aber CV2 scheint eine Schnittstelle zu dieser Funktion fehlt), aber wieder die Leistung war schlechter im Test.

Answer 1

Einfache Arithmetik in numpy Arrays ist die schnellste, wie Abid Rahaman K kommentierte.

Verwenden Sie dieses Bild zum Beispiel: http://i.imgur.com/Yjo276D.png

Hier ist ein Bit der Bildverarbeitung, die Helligkeit/Kontrast Manipulation ähnelt:

''' 
Simple and fast image transforms to mimic: 
- brightness 
- contrast 
- erosion 
- dilation 
''' 

import cv2 
from pylab import array, plot, show, axis, arange, figure, uint8 

# Image data 
image = cv2.imread('imgur.png',0) # load as 1-channel 8bit grayscale 
cv2.imshow('image',image) 
maxIntensity = 255.0 # depends on dtype of image data 
x = arange(maxIntensity) 

# Parameters for manipulating image data 
phi = 1 
theta = 1 

# Increase intensity such that 
# dark pixels become much brighter, 
# bright pixels become slightly bright 
newImage0 = (maxIntensity/phi)*(image/(maxIntensity/theta))**0.5 
newImage0 = array(newImage0,dtype=uint8) 

cv2.imshow('newImage0',newImage0) 
cv2.imwrite('newImage0.jpg',newImage0) 

y = (maxIntensity/phi)*(x/(maxIntensity/theta))**0.5 

# Decrease intensity such that 
# dark pixels become much darker, 
# bright pixels become slightly dark 
newImage1 = (maxIntensity/phi)*(image/(maxIntensity/theta))**2 
newImage1 = array(newImage1,dtype=uint8) 

cv2.imshow('newImage1',newImage1) 

z = (maxIntensity/phi)*(x/(maxIntensity/theta))**2 

# Plot the figures 
figure() 
plot(x,y,'r-') # Increased brightness 
plot(x,x,'k:') # Original image 
plot(x,z, 'b-') # Decreased brightness 
#axis('off') 
axis('tight') 
show() 

# Close figure window and click on other window 
# Then press any keyboard key to close all windows 
closeWindow = -1 
while closeWindow<0: 
    closeWindow = cv2.waitKey(1) 
cv2.destroyAllWindows() 

Originalbild in Graustufen:

Erhelltes Bild, das erweitert zu sein scheint:

abgedunkelte Bild, das erodiert zu sein scheint, geschärft, mit besserem Kontrast:

Wie die Pixelintensitäten transformiert werden: Wenn Sie

Spielen Sie mit den Werten phi und theta können Sie wirklich interessant ou bekommen wird. Sie können diesen Trick auch für Mehrkanal-Bilddaten implementieren.

--- EDIT ---

haben einen Blick auf die Begriffe 'Ebenen' und 'Kurven' auf this youtube video zeigt die Bildbearbeitung in Photoshop. Die Gleichung für die lineare Transformation erzeugt den gleichen Betrag, d. H. "Pegel" der Änderung für jedes Pixel. Wenn Sie eine Gleichung schreiben, die zwischen Pixeltypen unterscheiden kann (z. B. solchen, die bereits einen bestimmten Wert haben), können Sie die Pixel auf der Grundlage der von dieser Gleichung beschriebenen "Kurve" ändern.

Answer 2

diesen Code Versuchen:

import cv2 

img = cv2.imread('sunset.jpg', 1) 
cv2.imshow("Original image",img) 

# CLAHE (Contrast Limited Adaptive Histogram Equalization) 
clahe = cv2.createCLAHE(clipLimit=3., tileGridSize=(8,8)) 

lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB) # convert from BGR to LAB color space 
l, a, b = cv2.split(lab) # split on 3 different channels 

l2 = clahe.apply(l) # apply CLAHE to the L-channel 

lab = cv2.merge((l2,a,b)) # merge channels 
img2 = cv2.cvtColor(lab, cv2.COLOR_LAB2BGR) # convert from LAB to BGR 
cv2.imshow('Increased contrast', img2) 
#cv2.imwrite('sunset_modified.jpg', img2) 

cv2.waitKey(0) 
cv2.destroyAllWindows() 

Sonnenuntergang vor: Sonnenuntergang nach erhöhter Kontrast: