J'ai essayé de "lisser" l'image avec Python + OpenCV

introduction

Le traitement d'image ne fournit pas toujours de belles images. Il est souvent peu clair ou bruyant. S'il y a du bruit, il peut être supprimé à l'aide d'une technique appelée lissage. Vous pouvez également créer intentionnellement une image floue et l'utiliser comme données factices.

Cette fois, nous utiliserons Python pour lisser l'image avec OpenCV.

Qu'est-ce que le lissage?

Le lissage, ou lissage, consiste simplement à ** rendre l'image floue **. On peut également dire que le flou de l'image adoucit le changement de valeur de pixel. Le bruit et les bords sont des changements soudains des valeurs de pixels. Le lissage peut éliminer ou rendre les bords moins visibles.

Préparation

L'environnement utilise Google Colaboratory. La version Python est ci-dessous.

import platform
print("python " + platform.python_version())
# python 3.6.9

Montrons l'image

Maintenant écrivons le code. Tout d'abord, importez OpenCV.

import cv2

De plus, importez les éléments suivants pour afficher l'image dans Colaboratory.

from google.colab.patches import cv2_imshow

Préparez également un exemple d'image. Cette fois, j'utiliserai l'image gratuite de Pixabay.

Maintenant, affichons l'exemple d'image préparé.

img = cv2.imread(path) #chemin spécifie où l'image est placée
cv2_imshow(img)

Préparez également une image avec du bruit pour en avoir besoin plus tard. Ici, ajoutons un bruit appelé "bruit de sel et de poivre" (également appelé bruit de sel de sésame) à l'image.

# salt-and-pepper noise
#Voir ci-dessous pour le code
# https://lp-tech.net/articles/nCvfb?page=2
import numpy as np

row, col, ch = img.shape
img_sp = cv2.imread(path)
# salt
pts_x = np.random.randint(0, col-1 , 1000)
pts_y = np.random.randint(0, row-1 , 1000)
img_sp[(pts_y,pts_x)] = (255, 255, 255)
# pepper
pts_x = np.random.randint(0, col-1 , 1000)
pts_y = np.random.randint(0, row-1 , 1000)
img_sp[(pts_y, pts_x)] = (0, 0, 0)
cv2_imshow(img_sp)

Lissage

Lissage général

Le lissage est simplement brouiller l'image. Le moyen le plus simple de lisser une image avec OpenCV est d'utiliser cv2.blur. Ici, flou signifie «flou».

Maintenant, affichons l'image lissée. Je vais l'afficher côte à côte avec l'image originale.

img_blur = cv2.blur(img, (3, 3))
imgs = cv2.hconcat([img, img_blur])
cv2_imshow(imgs)

La gauche est l'image d'origine et la droite est l'image lissée. Vous pouvez voir que la bonne est un peu floue.

Il existe deux arguments pour cv2.blur. Le premier est l'image d'entrée. Le second s'appelle le noyau. Lorsqu'un point de l'image est décidé, cela montre combien de zone autour d'elle est incluse. Pensez-y comme à la taille d'une boîte.

Dans l'exemple ci-dessus, il s'agit de (3, 3), ce qui signifie qu'il cible une zone 3x3 centrée sur un point de l'image. Dans cv2.blur, qui est un lissage général, l'intérieur du noyau est rempli avec la valeur moyenne des pixels de ce noyau. Plus la taille du noyau est grande, plus l'image est floue.

Affiche une image avec différentes tailles de noyau modifiées.

img1 = cv2.blur(img, (1, 1))
img2 = cv2.blur(img, (2, 2))
img3 = cv2.blur(img, (3, 3))
img4 = cv2.blur(img, (4, 4))
img5 = cv2.blur(img, (5, 5))
img6 = cv2.blur(img, (6, 6))

imgs_1 = cv2.hconcat([img1, img2, img3])
imgs_2 = cv2.hconcat([img4, img5, img6])
imgs = cv2.vconcat([imgs_1, imgs_2])
cv2_imshow(imgs)

En haut à gauche, l'image sera celle avec la taille du noyau augmentée. Vous pouvez voir que le flou de l'image devient de plus en plus fort.

Filtre gaussien

En plus du lissage général, OpenCV permet certains processus de lissage.

Ensuite, je présenterai un filtre gaussien. Dans le lissage général, les pixels du noyau sont remplis d'une valeur fixe appelée valeur moyenne. Pour les filtres gaussiens, la valeur change en fonction de la distance par rapport au centre du noyau. La valeur est la plus élevée au centre et diminue à mesure que la distance augmente. Il est appelé filtre gaussien car il suit une fonction appelée fonction gaussienne. La formule de la fonction gaussienne est:

\frac{1}{\sqrt{2\pi\sigma^2}}\exp\Bigl(-\frac{x^2}{2\sigma^2}\Bigr) \\

De plus, le graphique de la fonction de Gauss est le suivant.

Maintenant, lissons l'image avec un filtre gaussien. Je vais également l'afficher côte à côte avec l'image originale.

img_gauss = cv2.GaussianBlur(img, (3, 3), 3)
imgs = cv2.hconcat([img, img_gauss])
cv2_imshow(imgs)

cv2.GaussianBlur a trois arguments. Les deux premiers sont l'image d'entrée et la taille du noyau, similaire à cv2.blur. Le troisième argument correspond à la fonction gaussienne $ \ sigma $. Si $ \ sigma $ est petit, le pic sera plus élevé mais l'écart sera plus étroit. Inversement, plus $ \ sigma $ est grand, plus le spread est grand, mais plus le pic est bas.

filtre médian

Ensuite, je présenterai le filtre médian. median est la "valeur médiane", qui prend la valeur médiane des pixels contenus dans le noyau spécifié et remplit tout le noyau avec cette valeur. La différence avec le lissage général est qu'il utilise toujours des valeurs de pixels existantes, et non des valeurs de pixels moyennées.

Comparons l'image en utilisant le filtre médian avec l'image d'origine.

img_med = cv2.medianBlur(img, 3)
imgs = cv2.hconcat([img, img_med])
cv2_imshow(imgs)

cv2.medianBlur a deux arguments, l'image d'entrée et la taille du noyau. Dans ce qui précède, le deuxième argument est 3, ce qui représente un noyau 3x3.

Ce filtre médian est très utile pour éliminer les bruits de sel et de poivre. En fait, le résultat de l'application du filtre médian à l'image bruyante est le suivant.

Vous pouvez voir qu'il a été supprimé proprement.

filtre bilatéral

Enfin, je voudrais introduire un filtre bilatéral.

Bilatéral signifie «les deux sont», mais ce filtre peut bien laisser des bords. Jusqu'à présent, les filtres de lissage ont des pics flous tels que des bords. Le filtre bilatéral est un filtre pratique qui vous permet de rendre l'image floue tout en laissant les bords. Sortons-le avec l'image d'origine.

img_bi = cv2.bilateralFilter(img, 9, 75, 75)
imgs = cv2.hconcat([img, img_bi])
cv2_imshow(imgs)

Vous pouvez voir que les bords sont laissés fermement même s'ils sont globalement lisses.

Je vais omettre les détails de l'argument de cv2.bilateralFilter. Veuillez vous référer au document officiel d'OpenCV.

Résumé

Cette fois, j'ai utilisé Python pour lisser l'image avec OpenCV.

Si votre traitement d'image nécessite une suppression du bruit, essayez de lisser.

Pour plus de détails sur le lissage, reportez-vous à ce qui suit.