20221114-20221120工作总结
这里写目录标题
- 一、U2Net提高检测精度
- 二、图像增强
-
- 1.图像增强的目的
- 2.分类
- 3.基于空间域：直接作用于像素点灰度值
-
- 3.1灰度变换
-
- 3.1.1 线性灰度变换
- 3.1.2 分段线性灰度变换
- 3.1.3 非线性变换
- 3.2 直方图修正
-
- 3.2.1 直方图均衡化
- 3.2.2 直方图规定化
- 4.基于照明-反射的同态滤波法
-
- 4.1 原理
- 5. Retinex增强方法
-
- 5.1 Retinex理论
- 5.2 发展历程
- 5.3 SSR算法
-
- 5.3.1 算法原理
- 5.3.2 算法实现
- 5.4 MSR算法
-
- 5.4.1 算法原理
- 结语
-
- 总结
- 目标
- 参考
一、U2Net提高检测精度
通过修改代码，实现用评价指标阈值控制训练次数（训练何时停止），设置阈值如下。
mae_threshold, f1_threshold = 0.04, 0.85 #结束训练的阈值
针对磁瓦缺陷检测数据集进行训练。
Epoch: [1380] [ 0/80] eta: 0:02:19 lr: 0.000310 loss: 0.0066 (0.0066) time: 1.7469 data: 1.4153 max mem: 2102
Epoch: [1380] [10/80] eta: 0:00:22 lr: 0.000309 loss: 0.0113 (0.0266) time: 0.3217 data: 0.1287 max mem: 2102
Epoch: [1380] [20/80] eta: 0:00:15 lr: 0.000309 loss: 0.0522 (0.0263) time: 0.1772 data: 0.0001 max mem: 2102
Epoch: [1380] [30/80] eta: 0:00:11 lr: 0.000308 loss: 0.0241 (0.0297) time: 0.1764 data: 0.0002 max mem: 2102
Epoch: [1380] [40/80] eta: 0:00:08 lr: 0.000307 loss: 0.0142 (0.0271) time: 0.1766 data: 0.0002 max mem: 2102
Epoch: [1380] [50/80] eta: 0:00:06 lr: 0.000307 loss: 0.0138 (0.0292) time: 0.1765 data: 0.0001 max mem: 2102
Epoch: [1380] [60/80] eta: 0:00:04 lr: 0.000306 loss: 0.0185 (0.0292) time: 0.1774 data: 0.0000 max mem: 2102
Epoch: [1380] [70/80] eta: 0:00:01 lr: 0.000306 loss: 0.0531 (0.0307) time: 0.1781 data: 0.0002 max mem: 2102
Epoch: [1380] Total time: 0:00:15
Test: [ 0/44] eta: 0:00:37 time: 0.8410 data: 0.8080 max mem: 2102
Test: Total time: 0:00:02
[epoch: 1380] val_MAE: 0.005 val_maxF1: 0.853
training time 7:34:28
Process finished with exit code 0
从上到下依次为原图、gt、MAE: 0.007 maxF1: 0.713 、val_MAE: 0.005 val_maxF1: 0.853的结果
数据集扩充：水平翻转、垂直翻转、旋转、横向错切、纵向错切
数据集扩充后
train：1020
test：204
mae_threshold, f1_threshold = 0.04, 0.80 #结束训练的阈值
[epoch: 0] train_loss: 1.9787 lr: 0.000500 MAE: 0.266 maxF1: 0.076
[epoch: 10] train_loss: 0.6683 lr: 0.000998 MAE: 0.073 maxF1: 0.200
[epoch: 20] train_loss: 0.4979 lr: 0.000990 MAE: 0.025 maxF1: 0.314
[epoch: 30] train_loss: 0.2092 lr: 0.000977 MAE: 0.019 maxF1: 0.510
[epoch: 40] train_loss: 0.1087 lr: 0.000958 MAE: 0.008 maxF1: 0.593
[epoch: 50] train_loss: 0.0821 lr: 0.000935 MAE: 0.007 maxF1: 0.734
[epoch: 60] train_loss: 0.0719 lr: 0.000906 MAE: 0.005 maxF1: 0.751
[epoch: 70] train_loss: 0.0751 lr: 0.000873 MAE: 0.005 maxF1: 0.711
[epoch: 80] train_loss: 0.1524 lr: 0.000836 MAE: 0.006 maxF1: 0.751
[epoch: 90] train_loss: 0.0540 lr: 0.000796 MAE: 0.004 maxF1: 0.820
效果一般，很多小缺陷检不出来。
mae_threshold, f1_threshold = 0.04, 0.90 #结束训练的阈值
[epoch: 0] train_loss: 1.9603 lr: 0.000500 MAE: 0.105 maxF1: 0.069
[epoch: 10] train_loss: 0.5043 lr: 0.000998 MAE: 0.022 maxF1: 0.376
[epoch: 20] train_loss: 0.1880 lr: 0.000990 MAE: 0.009 maxF1: 0.581
[epoch: 30] train_loss: 0.1643 lr: 0.000977 MAE: 0.009 maxF1: 0.654
[epoch: 40] train_loss: 0.1356 lr: 0.000958 MAE: 0.006 maxF1: 0.705
[epoch: 50] train_loss: 0.0785 lr: 0.000935 MAE: 0.005 maxF1: 0.767
[epoch: 60] train_loss: 0.0692 lr: 0.000906 MAE: 0.009 maxF1: 0.690
[epoch: 70] train_loss: 0.0568 lr: 0.000873 MAE: 0.005 maxF1: 0.788
[epoch: 80] train_loss: 0.0518 lr: 0.000836 MAE: 0.004 maxF1: 0.820
[epoch: 90] train_loss: 0.0487 lr: 0.000796 MAE: 0.004 maxF1: 0.837
[epoch: 100] train_loss: 0.0478 lr: 0.000752 MAE: 0.004 maxF1: 0.857
[epoch: 110] train_loss: 0.0477 lr: 0.000705 MAE: 0.004 maxF1: 0.852
[epoch: 120] train_loss: 0.0446 lr: 0.000656 MAE: 0.003 maxF1: 0.865
[epoch: 130] train_loss: 0.0452 lr: 0.000605 MAE: 0.003 maxF1: 0.841
[epoch: 140] train_loss: 0.0418 lr: 0.000553 MAE: 0.003 maxF1: 0.864
[epoch: 150] train_loss: 0.0412 lr: 0.000500 MAE: 0.003 maxF1: 0.866
[epoch: 160] train_loss: 0.0403 lr: 0.000447 MAE: 0.003 maxF1: 0.880
[epoch: 170] train_loss: 0.0394 lr: 0.000395 MAE: 0.003 maxF1: 0.885
[epoch: 180] train_loss: 0.0381 lr: 0.000344 MAE: 0.003 maxF1: 0.891
[epoch: 190] train_loss: 0.0368 lr: 0.000295 MAE: 0.003 maxF1: 0.893
[epoch: 200] train_loss: 0.0364 lr: 0.000248 MAE: 0.003 maxF1: 0.893
[epoch: 210] train_loss: 0.0347 lr: 0.000204 MAE: 0.003 maxF1: 0.888
[epoch: 220] train_loss: 0.0341 lr: 0.000164 MAE: 0.002 maxF1: 0.894
[epoch: 230] train_loss: 0.0342 lr: 0.000127 MAE: 0.002 maxF1: 0.898
[epoch: 240] train_loss: 0.0334 lr: 0.000094 MAE: 0.002 maxF1: 0.898
[epoch: 250] train_loss: 0.0329 lr: 0.000065 MAE: 0.002 maxF1: 0.899
[epoch: 260] train_loss: 0.0323 lr: 0.000042 MAE: 0.002 maxF1: 0.896
[epoch: 270] train_loss: 0.0328 lr: 0.000023 MAE: 0.002 maxF1: 0.900
[epoch: 280] train_loss: 0.0325 lr: 0.000010 MAE: 0.002 maxF1: 0.902
mae_threshold, f1_threshold = 0.04, 0.95 #结束训练的阈值
[epoch: 0] train_loss: 1.5706 lr: 0.000500 MAE: 0.205 maxF1: 0.083
[epoch: 10] train_loss: 0.4908 lr: 0.000998 MAE: 0.048 maxF1: 0.249
[epoch: 20] train_loss: 0.2974 lr: 0.000990 MAE: 0.013 maxF1: 0.512
[epoch: 30] train_loss: 0.0992 lr: 0.000977 MAE: 0.008 maxF1: 0.652
[epoch: 40] train_loss: 0.0787 lr: 0.000958 MAE: 0.006 maxF1: 0.728
[epoch: 50] train_loss: 0.1033 lr: 0.000935 MAE: 0.006 maxF1: 0.708
[epoch: 60] train_loss: 0.0613 lr: 0.000906 MAE: 0.004 maxF1: 0.779
[epoch: 70] train_loss: 0.1120 lr: 0.000873 MAE: 0.005 maxF1: 0.789
[epoch: 80] train_loss: 0.0530 lr: 0.000836 MAE: 0.004 maxF1: 0.842
[epoch: 90] train_loss: 0.0505 lr: 0.000796 MAE: 0.004 maxF1: 0.831
[epoch: 100] train_loss: 0.0485 lr: 0.000752 MAE: 0.004 maxF1: 0.838
[epoch: 110] train_loss: 0.0481 lr: 0.000705 MAE: 0.004 maxF1: 0.863
[epoch: 120] train_loss: 0.0463 lr: 0.000656 MAE: 0.004 maxF1: 0.867
[epoch: 130] train_loss: 0.0452 lr: 0.000605 MAE: 0.003 maxF1: 0.870
[epoch: 140] train_loss: 0.0424 lr: 0.000553 MAE: 0.003 maxF1: 0.881
[epoch: 150] train_loss: 0.0423 lr: 0.000500 MAE: 0.003 maxF1: 0.885
[epoch: 160] train_loss: 0.0408 lr: 0.000447 MAE: 0.003 maxF1: 0.884
[epoch: 170] train_loss: 0.0388 lr: 0.000395 MAE: 0.003 maxF1: 0.885
[epoch: 180] train_loss: 0.0375 lr: 0.000344 MAE: 0.003 maxF1: 0.889
[epoch: 190] train_loss: 0.0364 lr: 0.000295 MAE: 0.003 maxF1: 0.893
[epoch: 200] train_loss: 0.0364 lr: 0.000248 MAE: 0.003 maxF1: 0.890
[epoch: 210] train_loss: 0.0346 lr: 0.000204 MAE: 0.002 maxF1: 0.892
[epoch: 220] train_loss: 0.0337 lr: 0.000164 MAE: 0.002 maxF1: 0.892
[epoch: 230] train_loss: 0.0336 lr: 0.000127 MAE: 0.002 maxF1: 0.891
[epoch: 240] train_loss: 0.0329 lr: 0.000094 MAE: 0.002 maxF1: 0.895
[epoch: 250] train_loss: 0.0324 lr: 0.000065 MAE: 0.002 maxF1: 0.896
[epoch: 260] train_loss: 0.0322 lr: 0.000042 MAE: 0.002 maxF1: 0.895
[epoch: 270] train_loss: 0.0322 lr: 0.000023 MAE: 0.002 maxF1: 0.898
[epoch: 280] train_loss: 0.0316 lr: 0.000010 MAE: 0.002 maxF1: 0.896
[epoch: 290] train_loss: 0.0316 lr: 0.000002 MAE: 0.002 maxF1: 0.899
[epoch: 299] train_loss: 0.0315 lr: 0.000000 MAE: 0.002 maxF1: 0.898
[epoch: 300] train_loss: 0.0320 lr: 0.000000 MAE: 0.002 maxF1: 0.898
[epoch: 310] train_loss: 0.0318 lr: 0.000003 MAE: 0.002 maxF1: 0.898
[epoch: 320] train_loss: 0.0314 lr: 0.000012 MAE: 0.002 maxF1: 0.898
[epoch: 330] train_loss: 0.0315 lr: 0.000026 MAE: 0.002 maxF1: 0.899
[epoch: 340] train_loss: 0.0312 lr: 0.000046 MAE: 0.002 maxF1: 0.900
[epoch: 350] train_loss: 0.0320 lr: 0.000071 MAE: 0.002 maxF1: 0.900
[epoch: 360] train_loss: 0.0312 lr: 0.000100 MAE: 0.002 maxF1: 0.900
[epoch: 370] train_loss: 0.0316 lr: 0.000134 MAE: 0.002 maxF1: 0.898
[epoch: 380] train_loss: 0.0317 lr: 0.000171 MAE: 0.002 maxF1: 0.900
[epoch: 390] train_loss: 0.0316 lr: 0.000213 MAE: 0.002 maxF1: 0.897
[epoch: 400] train_loss: 0.0318 lr: 0.000258 MAE: 0.002 maxF1: 0.901
[epoch: 410] train_loss: 0.0321 lr: 0.000305 MAE: 0.002 maxF1: 0.900
[epoch: 420] train_loss: 0.0332 lr: 0.000355 MAE: 0.002 maxF1: 0.902
[epoch: 430] train_loss: 0.0334 lr: 0.000406 MAE: 0.002 maxF1: 0.895
[epoch: 440] train_loss: 0.0330 lr: 0.000458 MAE: 0.002 maxF1: 0.899
[epoch: 450] train_loss: 0.0364 lr: 0.000511 MAE: 0.002 maxF1: 0.899
[epoch: 460] train_loss: 0.0328 lr: 0.000563 MAE: 0.002 maxF1: 0.900
[epoch: 470] train_loss: 0.0340 lr: 0.000615 MAE: 0.002 maxF1: 0.901
[epoch: 480] train_loss: 0.0323 lr: 0.000665 MAE: 0.002 maxF1: 0.903
[epoch: 490] train_loss: 0.0332 lr: 0.000714 MAE: 0.002 maxF1: 0.899
[epoch: 500] train_loss: 0.0333 lr: 0.000761 MAE: 0.002 maxF1: 0.902
[epoch: 510] train_loss: 0.0334 lr: 0.000804 MAE: 0.002 maxF1: 0.906
[epoch: 520] train_loss: 0.0589 lr: 0.000844 MAE: 0.004 maxF1: 0.855
[epoch: 530] train_loss: 0.0324 lr: 0.000880 MAE: 0.002 maxF1: 0.904
[epoch: 540] train_loss: 0.0343 lr: 0.000912 MAE: 0.002 maxF1: 0.902
[epoch: 550] train_loss: 0.0330 lr: 0.000940 MAE: 0.002 maxF1: 0.900
[epoch: 560] train_loss: 0.0323 lr: 0.000962 MAE: 0.002 maxF1: 0.904
[epoch: 570] train_loss: 0.0310 lr: 0.000980 MAE: 0.002 maxF1: 0.902
[epoch: 580] train_loss: 0.0318 lr: 0.000992 MAE: 0.002 maxF1: 0.907
[epoch: 590] train_loss: 0.0317 lr: 0.000999 MAE: 0.002 maxF1: 0.908
[epoch: 600] train_loss: 0.0316 lr: 0.001000 MAE: 0.002 maxF1: 0.909
[epoch: 610] train_loss: 0.0340 lr: 0.000995 MAE: 0.002 maxF1: 0.904
[epoch: 620] train_loss: 0.0312 lr: 0.000985 MAE: 0.002 maxF1: 0.907
[epoch: 630] train_loss: 0.0297 lr: 0.000970 MAE: 0.002 maxF1: 0.910
[epoch: 640] train_loss: 0.0293 lr: 0.000949 MAE: 0.002 maxF1: 0.916
[epoch: 650] train_loss: 0.0291 lr: 0.000924 MAE: 0.002 maxF1: 0.921
[epoch: 660] train_loss: 0.0281 lr: 0.000894 MAE: 0.002 maxF1: 0.919
[epoch: 670] train_loss: 0.0285 lr: 0.000859 MAE: 0.002 maxF1: 0.925
[epoch: 680] train_loss: 0.0274 lr: 0.000820 MAE: 0.002 maxF1: 0.928
[epoch: 690] train_loss: 0.0277 lr: 0.000778 MAE: 0.002 maxF1: 0.926
[epoch: 700] train_loss: 0.0265 lr: 0.000733 MAE: 0.001 maxF1: 0.928
[epoch: 710] train_loss: 0.0268 lr: 0.000685 MAE: 0.001 maxF1: 0.929
[epoch: 720] train_loss: 0.0264 lr: 0.000635 MAE: 0.001 maxF1: 0.930
[epoch: 730] train_loss: 0.0253 lr: 0.000584 MAE: 0.001 maxF1: 0.930
[epoch: 740] train_loss: 0.0252 lr: 0.000532 MAE: 0.001 maxF1: 0.939
[epoch: 750] train_loss: 0.0252 lr: 0.000479 MAE: 0.001 maxF1: 0.934
[epoch: 760] train_loss: 0.0241 lr: 0.000426 MAE: 0.001 maxF1: 0.942
[epoch: 770] train_loss: 0.0246 lr: 0.000375 MAE: 0.001 maxF1: 0.942
[epoch: 780] train_loss: 0.0239 lr: 0.000325 MAE: 0.001 maxF1: 0.944
[epoch: 790] train_loss: 0.0237 lr: 0.000276 MAE: 0.001 maxF1: 0.944
[epoch: 800] train_loss: 0.0232 lr: 0.000230 MAE: 0.001 maxF1: 0.945
[epoch: 810] train_loss: 0.0233 lr: 0.000188 MAE: 0.001 maxF1: 0.948
[epoch: 820] train_loss: 0.0231 lr: 0.000148 MAE: 0.001 maxF1: 0.948
[epoch: 830] train_loss: 0.0230 lr: 0.000113 MAE: 0.001 maxF1: 0.947
[epoch: 840] train_loss: 0.0228 lr: 0.000082 MAE: 0.001 maxF1: 0.948
[epoch: 850] train_loss: 0.0231 lr: 0.000055 MAE: 0.001 maxF1: 0.948
[epoch: 860] train_loss: 0.0227 lr: 0.000034 MAE: 0.001 maxF1: 0.948
[epoch: 870] train_loss: 0.0227 lr: 0.000017 MAE: 0.001 maxF1: 0.949
[epoch: 880] train_loss: 0.0229 lr: 0.000006 MAE: 0.001 maxF1: 0.948
[epoch: 890] train_loss: 0.0228 lr: 0.000001 MAE: 0.001 maxF1: 0.949
[epoch: 900] train_loss: 0.0230 lr: 0.000001 MAE: 0.001 maxF1: 0.949
[epoch: 910] train_loss: 0.0228 lr: 0.000006 MAE: 0.001 maxF1: 0.949
[epoch: 920] train_loss: 0.0227 lr: 0.000017 MAE: 0.001 maxF1: 0.950
[epoch: 930] train_loss: 0.0226 lr: 0.000034 MAE: 0.001 maxF1: 0.949
[epoch: 940] train_loss: 0.0225 lr: 0.000055 MAE: 0.001 maxF1: 0.950
二、图像增强
1.图像增强的目的
一、为了改善图像的视觉效果，提高图像的清晰度；
二、针对给定图像的应用场合，突出某些感兴趣的特征，抑制不感兴趣的特征，以扩大图像中不同物体特征之间的差别，满足某些特殊分析的需要。
2.分类
基于空间域和基于频率域
3.基于空间域：直接作用于像素点灰度值
基于空间域的增强算法包括点运算和局部运算
点运算又包括灰度变换和直方图修正
直方图修正包括均衡化和规定化
3.1灰度变换
灰度变换主要针对独立的像素点进行处理，由输入像素点的灰度值决定相应的输出像素点的灰度值，通过改变原始图像数据所占的灰度范围而使图像在视觉上得到改善。
3.1.1 线性灰度变换
通过线性规则从原图到增强图做映射，将灰度范围拓展或压缩。
假设一幅图像f(x,y)变换前的的灰度范围是[a,b],希望变换后g(x,y)灰度范围拓展或者压缩至[c,d]。
原理图：
公式：
通过调整a,b,c,d,的值可以控制线性变换函数的斜率，从而达到灰度范围的拓展或压缩。
3.1.2 分段线性灰度变换
突出感兴趣的灰度范围
如下图所示：突出中间灰度值的灰度范围，达到增强效果
3.1.3 非线性变换
对数变换
暗区拉伸，亮区压缩
指数变换
暗区压缩，亮区拉伸
伽马变换
c=1时：
γ<1 暗的部分增强，图片整体变亮
γ=1 不变
γ>1 亮的部分被抑制，图片整体变暗
3.2 直方图修正
3.2.1 直方图均衡化
直方图均衡化的意思就是对灰度图像进行灰度变换，使其变换后的灰度概率密度函数恒为1（灰度值归一化到0~1）。
设原图灰度值为r，均衡化后的灰度值为s，0
这里省略推到过程，直接给出T(r）的格式，pr表示原图的灰度值概率密度函数：
由于灰度值是离散的，在进行变换时使用上式的离散格式：
nj表示灰度值为j的像素点个数，n表示所有像素点个数。
注：离散化使得直方图均衡化得到的直方图并不是严格均衡化的（概率密度不是严格为1）。
3.2.2 直方图规定化
所谓“规定”，就是对变换后的图像的灰度值概率密度函数进行规定，即将图像变换为符合给定概率密度函数的图像，而不仅限于目标图像的概率密度为1（均衡化）。
直方图规定化求解思路
对原图r和目标概率密度的图z都进行均衡化，即：
有s=v（这点很关键，均衡化后的结果肯定是相等的）
所以有：
4.基于照明-反射的同态滤波法
4.1 原理
同态滤波通过对数运算将图像的照明部分和反射部分分开，通常来讲，图像的照明部分是慢变的部分，集中在低频部分，而反射部分属于快变部分，倾向于集中在高频部分，可以根据这个性质，对图像进行频域滤波
其中
f(x，y）为图像（看或者拍摄到的）；
i(x，y）为照射分量，描述景物照明，变化缓慢，属于低频分量；
r(x，y）为反射分量，描述景物细节，变化较快，属于高频分量。
观察到在原图中低频分量和高频分量是乘积关系，无法将我们所需要的高频分量（细节、纹理信息）提取出来，所以要先对f(x，y）取对数，再滤波。（这就是同态滤波的基本思想）
为了避免f(x，y）取0时对数无意义，一般有：
可以看到此时低频分量i和高频分量r已经可以通过滤波器区分开来了。
再进行傅里叶变换：
滤波：
再将滤波后的频域信号变为空域信号（傅里叶反变换，反对数运算）：
我们的目的是增强图像高频的细节纹理信息，因此滤波器H(u，v）是高通的，其形式为：
同态滤波法存在以下问题：
- 局部特点描述能力差；
- 空域频域相互转换费时。
针对局部特点描述能力差的问题可以将傅里叶变换改为小波变换；针对转换处理域费时的问题提出了一种基于空域的同态滤波法，其基本思路为：对数变换——>低通滤波——>估计照明分量（难点）——>对照明分量和反射分量分别进行处理。
5. Retinex增强方法
5.1 Retinex理论
数学模型
Retinex理论将一张图片分解为照射分量和反射分量相乘（同4.1）。
由Retinex引发的现有图像增强技术的基本思路：
- 直接将反射分量作为增强结果
反射分量往往会损失一部分信息，图像会变得非常不真实 - 对亮度信息进行处理，再与反射分量重新组合(主流)
5.2 发展历程
- 基于迭代的Retinex算法
- Frankle-McCann Retinex 算法
- McCann99 Retinex 算法
- 基于中心环绕的Retinex算法
- SSR算法（单尺度）
- MSR算法（多尺度）
- MSRCR算法
5.3 SSR算法
5.3.1 算法原理
算法流程
一般把照射图像假设为空间平滑图像，若原始图像为S(x,y)，增强（反射）图像为R(x,y)，光照入射分量为L(x,y)，可以得到SSR算法公式：
其中，高斯函数为：
- 标准差σ是尺度参数，σ的大小对图像增强的效果有着显著的影响。当σ较小，也就是小尺度情况下，能够保持较好的边缘细节，动态范围压缩大，但是色彩较差；当σ较大时，也就是大尺度情况下，能够保持较好的色彩平衡，但是图像动态范围压缩小，细节较差。在SSR算法中σ一般取80-100。
SSR的算法可以概括为以下几步：
- 读取原图像数据S(x,y)，并将整形转换为double型；
- 确定尺度参数σ的大小，确定满足条件∬G(x,y)dxdy=1的λ值；
- 根据公式r(x,y)=logR(x,y)=logS(x,y)-log[G(x,y)*S(x,y)]求r(x,y)的值；将r(x,y)值由对数域转换到实数域R(x,y)；
- 对R(x,y)进行线性拉伸处理并输出显示。
对于灰度图像来说，直接对灰度值做上述步骤处理即可。对于彩色图像来说，在这里同样可以将图像分解为R、G、B三幅灰度图分别进行以上步骤处理再合成彩色图像。
5.3.2 算法实现
import cv2
import numpy as np
#np.nonzero函数是numpy中用于得到数组array中非零元素的位置（数组索引）的函数。
def replaceZeroes(data):
min_nonzero = min(data[np.nonzero(data)])
data[data == 0] = min_nonzero
return data
# retinex SSR
def SSR(src_img, size):
L_blur = cv2.GaussianBlur(src_img, (size, size), 80)
img = replaceZeroes(src_img)
L_blur = replaceZeroes(L_blur)
dst_Img = cv2.log(img / 255.0)
dst_Lblur = cv2.log(L_blur / 255.0)
log_R = cv2.subtract(dst_Img, dst_Lblur)
dst_R = cv2.normalize(log_R, None, 0, 255, cv2.NORM_MINMAX)
log_uint8 = cv2.convertScaleAbs(dst_R)
return log_uint8
def SSR_image(image):
size = 0
b_gray, g_gray, r_gray = cv2.split(image)
b_gray = SSR(b_gray, size)
g_gray = SSR(g_gray, size)
r_gray = SSR(r_gray, size)
result = cv2.merge([b_gray, g_gray, r_gray])
return result
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
if __name__ == "__main__":
image = cv2.imread('./SSR/5.jpg')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image_ssr = SSR_image(image)
cv2.imwrite('5.png',image_ssr)
5.4 MSR算法
5.4.1 算法原理
采用几个 （一般3个） 大小不同的尺度参数σ对图像分别进行滤波后再线性加权归一化得到最终增强结果。
一般K=3，qi=1/3。
3尺度MSR算法流程
- 读取原图像数据S(x，y），并将整型转换为double型；
- 分别确定3个尺寸σ1、σ2、σ3的大小，确定满足条件∫∫G(x,y)dxdy=1的λ1、λ2、λ3的值；
- 根据公式求r(x,y)；
- 将r(x,y)从从对数域转换到实数域R(x,y)；
- 对R(x,y)做线性拉伸处理，并输出显示。
对于灰度图像来说，直接对灰度值做上述步骤处理即可。对于彩色图像来说，在这里同样可以将图像分解为R、G、B三幅灰度图分别进行以上步骤处理再合成彩色图像。
结语
总结
- 修改和调试U2Net网络，显著提高了训练精度和速度；
- 对几种增强算法的理论进行整理，python实现了SSR算法。
目标
- 代码实现同态滤波、MSR和梯度域图像增强法；
- 对有关增强算法的改进和应用的文献进行阅读和整理。
参考
[1] https://zhuanlan.zhihu.com/p/332905808
[2] 梁琳,何卫平,雷蕾,张维,王红霄.光照不均图像增强方法综述[J].计算机应用研究,2010,27(05):1625-1628.
[3] https://blog.csdn.net/qq_42666791/article/details/123213215
[4] https://blog.csdn.net/qq_39751352/article/details/124653791