图像处理——饱和度调整算法(python语言)

饱和度调整算法说明(完整python代码在文末):

本算法主要是利用HSL颜色空间进行饱和度S的上下限控制,对RGB空间进行补丁式调整。调整过程在RGB空间进行,其原理简单地说就是判断每个像素的R、G、B值是否大于或小于平均值,大于加上调整值,小于则减去调整值,如何计算各个像素点的调整系数是关键。本算法主体思想就是利用HSL来计算各点的调整系数。

算法过程如下:

(参考CSDN博客:https://blog.csdn.net/maozefa/article/details/1781208)

1. 首先将RGB空间图像转换为HSL空间,用来对饱和度S进行上下限控制,这里不考虑色相H差异。

转换公式如下:

            

           

其中L表示亮度,S表示饱和度,min和max代表RGB空间中的R、G、B颜色值中的最小最大值,范围均为0-1的实数。

          图像处理——饱和度调整算法(python语言)_第1张图片

设置饱和度增量increment,范围为-1至1,并由此计算出适用于RGB空间的调整系数进行饱和度调整。

 

这里分两种情况:

1) 当增量i (increment) >= 0时,此时饱和度采用指数型增长方式调整。考虑到当前饱和度s与增量i之和可能大于1,超出饱和度上限,故仅仅考虑i作为调整依据不妥。在此选定当i+s大于1时,取s补数作为调整依据(s补数越大,调整越大);当i+s小于1,取i作为调整依据(i越大,调整越大)。RGB空间的调整系数alpha公式如下:

          

    其中s代表当前饱和度,i代表设置的饱和度增量(increment)。

          图像处理——饱和度调整算法(python语言)_第2张图片

2) 当增量i (increment) < 0时,此时饱和度采用线性减弱方式调整。考虑到当i取-1时,R、G、B值会相等,可以直接采用线性的方式作调整。RGB空间的调整系数alpha如下:

            

         图像处理——饱和度调整算法(python语言)_第3张图片

 

3. 将饱和度调整过的RGB进行校验,即小于0的取0,大于1的取1。

          图像处理——饱和度调整算法(python语言)_第4张图片

4. 将饱和度调整完毕的RGB图输出比较即可。

 

完整python代码如下:

运行方式:打开终端界面,在该py文件目录下,运行:python  该文件.py  图片路径  饱和等级(-1~1)

例如:python  Saturation.py  C:\Users\PDD\Desktop\pdd.jpg  0.5

import cv2
import sys
import numpy as np
import matplotlib.pyplot as plt

"""
  PS算法
  主要是利用HSL颜色空间进行饱和度S和亮度L的上下限控制,对RGB空间进行补丁式调整。
  参考CSDN博客:https://blog.csdn.net/maozefa/article/details/1781208
"""

def PSAlgorithm(rgb_img, increment):
    img = rgb_img * 1.0
    img_min = img.min(axis=2)
    img_max = img.max(axis=2)
    img_out = img
    
    #获取HSL空间的饱和度和亮度
    delta = (img_max - img_min) / 255.0
    value = (img_max + img_min) / 255.0
    L = value/2.0
    
    # s = L<0.5 ? s1 : s2
    mask_1 = L < 0.5
    s1 = delta/(value)
    s2 = delta/(2 - value)
    s = s1 * mask_1 + s2 * (1 - mask_1)
    
    # 增量大于0,饱和度指数增强
    if increment >= 0 :
        # alpha = increment+s > 1 ? alpha_1 : alpha_2
        temp = increment + s
        mask_2 = temp >  1
        alpha_1 = s
        alpha_2 = s * 0 + 1 - increment
        alpha = alpha_1 * mask_2 + alpha_2 * (1 - mask_2)
        
        alpha = 1/alpha -1 
        img_out[:, :, 0] = img[:, :, 0] + (img[:, :, 0] - L * 255.0) * alpha
        img_out[:, :, 1] = img[:, :, 1] + (img[:, :, 1] - L * 255.0) * alpha
        img_out[:, :, 2] = img[:, :, 2] + (img[:, :, 2] - L * 255.0) * alpha
        
    # 增量小于0,饱和度线性衰减
    else:
        alpha = increment
        img_out[:, :, 0] = img[:, :, 0] + (img[:, :, 0] - L * 255.0) * alpha
        img_out[:, :, 1] = img[:, :, 1] + (img[:, :, 1] - L * 255.0) * alpha
        img_out[:, :, 2] = img[:, :, 2] + (img[:, :, 2] - L * 255.0) * alpha
    
    img_out = img_out/255.0
    
    # RGB颜色上下限处理(小于0取0,大于1取1)
    mask_3 = img_out  < 0 
    mask_4 = img_out  > 1
    img_out = img_out * (1-mask_3)
    img_out = img_out * (1-mask_4) + mask_4
    
    return img_out

path = './resource/fruit.bmp'
increment = 0.5  # 范围-1到1

#  run : python Saturation.py (path) (increment)
if __name__ == "__main__":
    len = len(sys.argv)
    if len >= 2 :
        path = sys.argv[1]
        if len >= 3 :
            increment = float(sys.argv[2])

    img = cv2.imread(path)
    img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
    img_new = PSAlgorithm(img, increment)

    plt.figure("img_original")
    plt.imshow(img/255.0)
    plt.axis('off')

    plt.figure("img_saturate")
    plt.imshow(img_new)
    plt.axis('off')

    plt.show()  

 

你可能感兴趣的:(图像处理)