CV系列之用魔法去除图像阴影

    大家有事为了省事，经常会拿手机去拍摄文件，如果拍摄角度没有掌握好，那么一定会被你的手机或者手挡住光线，照片上会留下许多阴影，影响图片的美观。我们如何通过使用最简单的图像处理技术去除掉图像中的阴影呢？这似乎是一个非常好玩的事。



第一步：环境中安装Numpy和OpenCV，并导入需要的Numpy和OpenCV包。
import cv2
import numpy as np
import matplotlib.pyplot as plt


第二步：如何使用最大滤波和最小滤波的组合实现阴影去除？
原理分析：删除阴影时，由于图像是灰度图像，如果图像背景较浅且对象较暗，则必须先执行最大滤波，然后再执行最小滤波；如果图像背景较暗且物体较亮，我们可以先执行最小滤波，然后再进行最大滤波。那么，最大过滤和最小过滤到底是什么?

最大滤波：
     假设我们有一定大小的图像l。我们编写的算法应该逐个遍历I的像素，并且对于每个像素 (x，y)，它必须找到该像素周围的邻域 (大小为NxN的窗)中的最大灰度值，并进行写入A中相应像素位置 (x，y)的最大灰度值。所得图像A称为输入图像l的最大滤波图像。现在让我们通过代码来实现这个概念。
     （1）max filtering ()函数接受输入图像和窗口大小N。
     （2）它最初在输入数组周围创建一个“墙”(带有-1的填充)，当我们遍历边缘像素时会有所帮助。
     （3）然后，我们创建一个”temp”变量，将计算出的最大值复制到其中。
     （4）然后，我们遍历该数组并围绕大小为NXN的当前像素创建一个窗口。
     （5）然后，我们使用”amax 0)“函数在该窗口中计算最大值，并将该值写入temp数组。
     （6）我们将该临时数组复制到主数组A中，并将其作为输出返回。A就是我们最大滤波后的图像。


def max_filtering(N, I_temp):
    wall = np.full((I_temp.shape[0]+(N//2)*2, I_temp.shape[1]+(N//2)*2), -1)
    wall[(N//2):wall.shape[0]-(N//2), (N//2):wall.shape[1]-(N//2)] = I_temp.copy()
    temp = np.full((I_temp.shape[0]+(N//2)*2, I_temp.shape[1]+(N//2)*2), -1)
    for y in range(0,wall.shape[0]):
        for x in range(0,wall.shape[1]):
            if wall[y,x]!=-1:
                window = wall[y-(N//2):y+(N//2)+1,x-(N//2):x+(N//2)+1]
                num = np.amax(window)
                temp[y,x] = num
    A = temp[(N//2):wall.shape[0]-(N//2), (N//2):wall.shape[1]-(N//2)].copy()
    return A


最小滤波：
此算法与最大滤波完全相同，我们找出该像素周围的N x N邻域中的最小值，并将该最小灰度值写入B中的 (x，y)。所得图像B称为图像I的经过最小滤波的图像

def min_filtering(N, A):
    wall_min = np.full((A.shape[0]+(N//2)*2, A.shape[1]+(N//2)*2), 300)
    wall_min[(N//2):wall_min.shape[0]-(N//2), (N//2):wall_min.shape[1]-(N//2)] = A.copy()
    temp_min = np.full((A.shape[0]+(N//2)*2, A.shape[1]+(N//2)*2), 300)
    for y in range(0,wall_min.shape[0]):
        for x in range(0,wall_min.shape[1]):
            if wall_min[y,x]!=300:
                window_min = wall_min[y-(N//2):y+(N//2)+1,x-(N//2):x+(N//2)+1]
                num_min = np.amin(window_min)
                temp_min[y,x] = num_min
    B = temp_min[(N//2):wall_min.shape[0]-(N//2), (N//2):wall_min.shape[1]-(N//2)].copy()
    return B


因此，我们图像的背景较浅，我们要先执行最大过滤，这将为我们提供增强的背景，并将该最大过滤后的图像传递给最小过滤功能，该功能将负责实际的内容增强。

第三步：归一化图像
执行最小-最大滤波后，我们获得的值不在0-255的范围内。因此，我们必须归一化使用背景减法获得的最终阵列，该方法是将原始图像减去最小-最大滤波图像，以获得去除阴影的最终图像。
I为原图，B为滤波后图像。我们将得到最终去除阴影的图片。

def background_subtraction(I, B):
    O = I - B
    norm_img = cv2.normalize(O, None, 0,255, norm_type=cv2.NORM_MINMAX)
    return norm_img


最终结果展示：


参考：https://github.com/kavyamusty/Shading-removal-of-images