山东大学数字图像处理实验（二）

前言

• 本次为《对比度和亮度调整》与《背景相减两个实验》
• 源码地址在文末

对比度和亮度调整实验

实验过程中遇到和解决的问题

• 问题一

  • 问题：只知道使用 sigmoid 函数，不知道使用一个什么样的 sigmoid 函数比较合适
  • 解决：上网搜寻，了解到对比度和亮度的一般调节公式为：在进行对比度调整时，会在像素值前面增加一个与其相乘的系数。在亮度调整时，会使用一个变量与像素值相加减

• 问题二：

  • 问题：只考虑了 sigmoid 函数的变化趋势，而没有考虑到具体的值，函数值只在[-5,5]内有明显变化

  • 解决：在像素变换公式上进行调整

    • 原始公式为

      int t = source_image.at(y, x)[c];
      transformed_image.at(y, x)[c] = saturate_cast(t * ((contrast_value*0.1 / (1.00 + exp(-t))) + 1));
      

    • 调整后公式为

      double t = ((source_image.at(y, x)[c] - 127) / 255.00) * contrast_value * 0.1;//[-10, 10]
      transformed_image.at(y, x)[c] = saturate_cast(source_image.at(y, x)[c] * ((1.00 / (1.00 + exp(-t))) + 0.3) + bright_value - 100);
      

    • -127是为了让结果有正有负，这样像素小的会导致 $1+e^{-t}$ 更大，对比度调整之后，像素值更小。反之，像素值大的调整的程度不像像素值小的那样剧烈，因此会导致他们之间的像素差更大，因此对比度得到调整

    • /255 是为了限制 $t$ 的范围，使其尽量在幂函数变化范围较明显的区域变动

    • contrast_value 就是滑动条需要改变的值，用于进行对比度调整

    • $\frac{1}{1+e^{-t}}+0.3$ ，加了一个系数是因为，如果不加系数的话，只调整对比度会导致变换后的像素值永远小于原像素值，这不是我们想要的。另一个原因是，这个可以平衡一下 $t$ 的作用，不让 $t$ 的影响程度这么大。（加的数值大小可以自行控制）

    • bright_value 比较好理解，就是单纯对像素值进行调整，用于亮度调整

• 问题三：利用调整公式，难以得到原图。个人认为是因为用了非线性变换，目前没有解决

结果分析与体会

调整效果比较明显，且都比较正常，实验结果达到预期效果

• 使用sigmoid函数难以得到原图

• 对比度超过一定范围就会丢失图像的真实感
  

背景相减实验

实验过程中遇到和解决的问题

• 问题一

  • 问题：两张图像对应位置像素相减得到图片效果很差

误检：

• 当图像中的像素值和背景图中对应位置像素值相差不大时，难以进行分辨，相减后前景图该位置基本为黑色，不符合预期要求。

• 以上述图片为例，当人身上的像素值小于背景像素值时，人的像素值减去背景像素值通过防止溢出处理后，结果图像对应位置像素值为0，不符合预期要求。

  • 解决：寻找更好的解决方案，使用中值滤波去除噪声点。通过将两张图片每个像素点的三个通道的差值平方求和得到sum，然后再对sum开方。手动设定一个阈值，当sum大于这个阈值时，该像素点的三通道都设为255（白色），否则设为0（黑色）。结果发现，阈值去75—100效果最好 ， 最终选定阈值为90

结果分析与体会

可以看到，基本将人物这一前景提取出来，但仍有噪声存在

• 背景相减实验可以多看一些降噪的算法，因为不太容易确定相减的标准

• 背景相减实验阈值选为90时得到的结果。轮廓清晰，达到预期效果

遇到的知识点

at函数

• 对于单通道图像"picture1"，picture1.at(i,j)就表示在第i行第j列的像素值。

• 对于多通道图像如RGB图像"picture2"，可以用picture2.at(i,j)[c]来表示某个通道中在(i,j)位置的像素值。

常见类型Vec3b

Vec3b可以看作是vector<uchar, 3> ， 简单而言就是一个uchar类型的，长度为3的vector向量。

由于在OpenCV中，使用imread读取到的Mat图像数据，都是用uchar类型的数据存储，对于RGB三通道的图像，每个点的数据都是一个Vec3b类型的数据。使用at定位方法如下：
 
img.at(row, col)[0] = 255;　　// 这是指修改B通道数据
img.at(row, col)[1] = 255;　　// 这是指修改G通道数据
img.at(row, col)[2] = 255;　　// 这是指修改R通道数据

point

srcImage.at(j, i) //表示的是  j 行 i 列 的这个像素
srcImage.at(Point(j, i)) //表示的是 坐标（j,i）的像素

saturate_cast

• saturate_cast主要是为了防止颜色溢出操作
• 在图像处理方面，无论是加是减，乘除，都会超出一个像素灰度值的范围（0～255），saturate_cast函数的作用即是：当运算完之后，结果为负，则转为0，结果超出255，则为255。

Mat::zeros

• 创建一张图，每个像素的每个通道都为0

Mat m = Mat::zeros(2, 2, CV_8UC3);//直接指明size和类型

transformed_image = Mat::zeros(source_image.size(), source_image.type());//创建一个和source_image一样类型的图

createTrackbar

创建滑动条

• 回调函数与createTrackbar配合使用

CV_EXPORTS int createTrackbar(const String& trackbarname,
                              const String& winname,
                              int* value, 
                              int count,                                        
                              TrackbarCallback onChange = 0，
                              void* userdata = 0);    

• 滑动条名字
• 滑动条所在窗口名字
• 用来设置滑块的初始值，同时记录滑块以后的位置（用户改变了滑块的位置，因此value值会改变）
• 轨迹的最大值，滑块可以滑动的范围是[0 , count]
• 回调函数
• 默认0，用户传给回调函数的数据，如果第三个值为全局变量，忽略这个值

namedWindow("Transformed Window", WINDOW_AUTOSIZE);
createTrackbar("contrast", "Transformed Window", &contrast_value, 200, ContrastAndBright , 0);
createTrackbar("bright", "Transformed Window", &bright_value, 200, ContrastAndBright , 0);

static void ContrastAndBright(int pos , void* userdata) {
    //value传值给pos ， createTrackbar的第六个参数传递给userdata
    for (int y = 0; y < source_image.rows; y++)
        for (int x = 0; x < source_image.cols; x++)
            for (int c = 0; c < 3; c++){
                double t = ((source_image.at(y, x)[c] - 127) / 225.00) * contrast_value * 0.1;
                transformed_image.at(y, x)[c] = saturate_cast(source_image.at(y, x)[c] * ((1.00 / (1.00 + exp(-t))) + 0.3) + bright_value - 100);
            }
    imshow("Display Window", source_image);
    imshow("Transformed Window", transformed_image);
}

源码地址：Computer-Vision/实验一/源码 at main · SDU-NSY/Computer-Vision (github.com)