Удаление теней в Python OpenCV ⇐ Python

[Anonymous]

Я пытаюсь реализовать удаление теней в Python OpenCV, используя метод минимизации энтропии Finlayson и др. al.:


«Внутренние изображения посредством минимизации энтропии», Финлейсон и др. al.


Кажется, я не могу сопоставить результаты статьи. Мой график энтропии не совпадает с графиком из статьи, и я получаю неправильную минимальную энтропию.

Есть мысли? (У меня есть гораздо больше исходного кода и документов по запросу)

Код: Выделить всё

#############
# LIBRARIES
#############
import numpy as np
import cv2
import os
import sys
import matplotlib.image as mpimg
import matplotlib.pyplot as plt
from PIL import Image
import scipy
from scipy.optimize import leastsq
from scipy.stats.mstats import gmean
from scipy.signal import argrelextrema
from scipy.stats import entropy
from scipy.signal import savgol_filter

root = r'\path\to\my_folder'
fl = r'my_file.jpg'

#############
# PROGRAM
#############
if __name__ == '__main__':

#-----------------------------------
## 1. Create Chromaticity Vectors ##
#-----------------------------------

# Get Image
img = cv2.imread(os.path.join(root, fl))
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
h, w = img.shape[:2]

plt.imshow(img)
plt.title('Original')
plt.show()

img = cv2.GaussianBlur(img, (5,5), 0)

# Separate Channels
r, g, b = cv2.split(img)

im_sum = np.sum(img, axis=2)
im_mean = gmean(img, axis=2)

# Create "normalized", mean, and rg chromaticity vectors
#  We use mean (works better than norm). rg Chromaticity is
#  for visualization
n_r = np.ma.divide( 1.*r, g )
n_b = np.ma.divide( 1.*b, g )

mean_r = np.ma.divide(1.*r, im_mean)
mean_g = np.ma.divide(1.*g, im_mean)
mean_b = np.ma.divide(1.*b, im_mean)

rg_chrom_r = np.ma.divide(1.*r, im_sum)
rg_chrom_g = np.ma.divide(1.*g, im_sum)
rg_chrom_b = np.ma.divide(1.*b, im_sum)

# Visualize rg Chromaticity --> DEBUGGING
rg_chrom = np.zeros_like(img)

rg_chrom[:,:,0] = np.clip(np.uint8(rg_chrom_r*255), 0, 255)
rg_chrom[:,:,1] = np.clip(np.uint8(rg_chrom_g*255), 0, 255)
rg_chrom[:,:,2] = np.clip(np.uint8(rg_chrom_b*255), 0, 255)

plt.imshow(rg_chrom)
plt.title('rg Chromaticity')
plt.show()

#-----------------------
## 2. Take Logarithms ##
#-----------------------

l_rg = np.ma.log(n_r)
l_bg = np.ma.log(n_b)

log_r = np.ma.log(mean_r)
log_g = np.ma.log(mean_g)
log_b = np.ma.log(mean_b)

##  rho = np.zeros_like(img, dtype=np.float64)
##
##  rho[:,:,0] = log_r
##  rho[:,:,1] = log_g
##  rho[:,:,2] = log_b

rho = cv2.merge((log_r, log_g, log_b))

# Visualize Logarithms --> DEBUGGING
plt.scatter(l_rg, l_bg, s = 2)
plt.xlabel('Log(R/G)')
plt.ylabel('Log(B/G)')
plt.title('Log Chromaticities')
plt.show()

plt.scatter(log_r, log_b, s = 2)
plt.xlabel('Log( R / 3root(R*G*B) )')
plt.ylabel('Log( B / 3root(R*G*B) )')
plt.title('Geometric Mean Log Chromaticities')
plt.show()

#----------------------------
## 3. Rotate through Theta ##
#----------------------------
u = 1./np.sqrt(3)*np.array([[1,1,1]]).T
I = np.eye(3)

tol = 1e-15

P_u_norm = I - u.dot(u.T)
U_, s, V_ = np.linalg.svd(P_u_norm, full_matrices = False)

s[ np.where( s  DEBUGGING
plt.scatter(chi[:,:,0], chi[:,:,1], s = 2)
plt.xlabel('chi1')
plt.ylabel('chi2')
plt.title('2D Log Chromaticities')
plt.show()

e = np.array([[np.cos(np.radians(np.linspace(1, 180, 180))), \
np.sin(np.radians(np.linspace(1, 180, 180)))]])

gs = chi.dot(e)

prob = np.array([np.histogram(gs[...,i], bins='scott', density=True)[0]
for i in range(np.size(gs, axis=3))])

eta = np.array([entropy(p, base=2) for p in prob])

plt.plot(eta)
plt.xlabel('Angle (deg)')
plt.ylabel('Entropy, eta')
plt.title('Entropy Minimization')
plt.show()

theta_min = np.radians(np.argmin(eta))

print('Min Angle: ', np.degrees(theta_min))

e = np.array([[-1.*np.sin(theta_min)],
[np.cos(theta_min)]])

gs_approx = chi.dot(e)

# Visualize Grayscale Approximation --> DEBUGGING
plt.imshow(gs_approx.squeeze(), cmap='gray')
plt.title('Grayscale Approximation')
plt.show()

P_theta = np.ma.divide( np.dot(e, e.T), np.linalg.norm(e) )

chi_theta = chi.dot(P_theta)
rho_estim = chi_theta.dot(U.T)
mean_estim = np.ma.exp(rho_estim)

estim = np.zeros_like(mean_estim, dtype=np.float64)

estim[:,:,0] = np.divide(mean_estim[:,:,0], np.sum(mean_estim, axis=2))
estim[:,:,1] = np.divide(mean_estim[:,:,1], np.sum(mean_estim, axis=2))
estim[:,:,2] = np.divide(mean_estim[:,:,2], np.sum(mean_estim, axis=2))

plt.imshow(estim)
plt.title('Invariant rg Chromaticity')
plt.show()

Вывод:

























Подробнее здесь: https://stackoverflow.com/questions/477 ... hon-opencv