红外和可见光图像融合-红外和可见光图像融合目的Python实现源码

"""对彩色图像进行直方图均衡""" import math import numpy as np import cv2 import matplotlib # 彩色图像进行自适应直方图均衡化，img为RGB格式的图像 def hisEqulColor(img): # 将RGB图像转换到YCrCb空间中 ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) # 将YCrCb图像通道分离 channels = cv2.split(ycrcb) # tilesGridSize：图像被分成称为“tiles”（瓷砖、地砖、小方地毯、片状材料、块状材料）的小块，在OpenCV中，tilesGridSize默认为8x8 # ，即整个图像被划分为8纵8横共64块。然后对每一个块进行直方图均衡处理 # clipLimit：裁剪限制，此值与对比度受限相对应，对比度限制这个参数是用每块的直方图的每个bins的数和整图的平均灰度分布数的比值来限制的。 # 裁剪则是将每块图像直方图中超过ClipLimit的bins多出的灰度像素数去除超出部分，然后将所有bins超出的像素数累加后平均分配到所有bins。 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) # apply方法用于对图像应用对比度受限自适应直方图均衡变换处理 clahe.apply(channels[0], channels[0]) # 将处理后的通道和没有处理的两个通道合并，命名为ycrcb cv2.merge(channels, ycrcb) # 将YCrCb图像转换回RGB图像 cv2.cvtColor(ycrcb, cv2.COLOR_YCR_CB2BGR, img) return img # 计算图像灰度直方图 def calcGrayHist(img): # 灰度图像矩阵的宽高 rows, cols = img.shape # 存储灰度直方图 grayHist = np.zeros([1, 256], np.uint32) for r in range(rows): for c in range(cols): grayHist[0][img[r][c]] += 1 return grayHist def ostu(img): image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) rows, cols = image.shape # 计算图像的灰度直方图 grayHist = calcGrayHist(image) # 归一化灰度直方图 uniformGrayHist = grayHist / float(rows * cols) # 计算零阶累积矩和一阶累积矩 zeroCumuMoment = np.zeros([1, 256], np.float32) oneCumuMoment = np.zeros([1, 256], np.float32) for k in range(256): if k == 0: zeroCumuMoment[0][k] = uniformGrayHist[0][0] oneCumuMoment[0][k] = (k + 1) * uniformGrayHist[0][0] else: zeroCumuMoment[0][k] = zeroCumuMoment[0][k - 1] + uniformGrayHist[0][k] oneCumuMoment[0][k] = oneCumuMoment[0][k - 1] + k * uniformGrayHist[0][k] # 计算类间方差 variance = np.zeros([1, 256], np.float32) for k in range(255): if zeroCumuMoment[0][k] == 0: variance[0][k] = 0 else: variance[0][k] = math.pow(oneCumuMoment[0][255] * zeroCumuMoment[0][k] - oneCumuMoment[0][k], 2) / ( zeroCumuMoment[0][k] * (1.0 - zeroCumuMoment[0][k])) # 找到阈值 threshLoc = np.where(variance[0][0:255] == np.max(variance[0][0:255])) thresh = threshLoc[0] # 返回阈值 return thresh def preprocess(image, pos): # 输入图像由RGB格式转为灰度图 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 进行高斯模糊，高斯核大小为（11， 11） blurred = cv2.GaussianBlur(gray, (11, 11), 0) # 进行阈值处理，最小阈值为ostu算法得到的起始阈值，最大值为255，选用cv2.THRESH_BINARY进行处理，当像素值大于起始阈值时像素值修改为255，否则为0 thresh = cv2.threshold(blurred, pos[0], 255, cv2.THRESH_BINARY)[1] # 执行一系列侵蚀和扩张，以从阈值图像中去除任何小的噪声斑点 kernel = np.array([[0, 0, 1, 0, 0], [1, 1, 1, 1, 1], [1, 1, 1, 1, 1], [1, 1, 1, 1, 1], [0, 0, 1, 0, 0]], dtype='uint8') thresh = cv2.erode(thresh, kernel, iterations=6) # 腐蚀迭代了6次 thresh = cv2.dilate(thresh, kernel, iterations=8) # 膨胀迭代了8次 # 创建掩膜mask，大小和图像一致，初始值为0 mask = np.zeros(thresh.shape, dtype="uint8") # 计算掩膜中各个区域的纵横比rate_1，筛选掉纵横比大于R_1=1.6或小于R_2=0.6的区域 contours, hierarchy = cv2.findContours( thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: labelMask = np.zeros(thresh.shape, dtype="uint8") labelMask = cv2.drawContours(labelMask, [cnt], 0, 255, -1) numPixels = cv2.countNonZero(labelMask) if numPixels < 200: continue _, _, w, h = cv2.boundingRect(labelMask) aspect_ratio = float(w) / h if aspect_ratio > 1.6 or aspect_ratio < 0.7: continue mask = cv2.add(mask, labelMask) # 保存高亮部分mask cv2.imwrite("highlight.png", mask) # 将高亮部分像素值缩小10 B = image[:, :, 0] G = image[:, :, 1] R = image[:, :, 2] h, w = mask.shape for i in range(h): for j in range(w): if mask[i][j] != 0: B[i][j] -= 10 * 0.114 G[i][j] -= 10 * 0.587 R[i][j] -= 10 * 0.299 src_new = np.zeros(image.shape).astype("uint8") src_new[:, :, 0] = B src_new[:, :, 1] = G src_new[:, :, 2] = R # 返回高亮处理后的结果 return src_new if __name__ == "__main__": # 载入图像 image = cv2.imread('in.png') # 阈值算法 ostu_thresh = ostu(image) # 高亮区域 res = preprocess(image, ostu_thresh) # 阈值处理的结果 res = hisEqulColor(res) # 保存阈值处理的结果 cv2.imwrite('Histogram_Equalization.png', res) cv2.waitKey(0) cv2.destroyAllWindows()