有什么指标可以衡量图像的渐晕效果吗？

Question

我想检测是否有渐晕的图片，但找不到测量它的方法。我通过“渐晕指标、渐晕检测、渐晕分类”等关键字进行搜索，它们都会引导我找到“创建渐晕滤镜”或“渐晕校正”等主题。有什么指标可以做到这一点吗？就像从0到1的分数一样，分数越低，图像越不可能出现渐晕效应。我提出的简单解决方案之一是测量图像的亮度通道。

#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>

using namespace cv;
using namespace std;

int main()
{
    auto img = imread("my_pic.jpg");
    cvtcolor(img, img, cv::COLOR_BGR2LAB);
    vector<Mat> lab_img;
    split(img, lab_img);
    auto const sum_val = sum(lab_img[0])[0] / lab_img[0].total();
    //use sum_val as threshold
}

另一个解决方案是通过 CNN 训练分类器，我可以使用渐晕滤波器来生成具有/不具有渐晕效果的图像。请给我一些建议，谢谢。

Answer 1

在图片上使用极坐标扭曲和一些简单的统计数据。您将获得径向强度图。您会看到晕影的特征衰减，还会看到图片内容。该一维信号比整个图像更容易分析。

这不能保证始终有效。我并不是说应该这样做。这是一种方法。

使用中位数、平均值等的变化是可以想象的，但是你也必须引入一个掩模，这样你就知道哪些像素来自图像，哪些像素只是超出范围的黑色（被忽略） 。您可以将源图像扩展为 4 通道，其中第四个通道为全 255。扭曲会将其视为任何其他颜色通道，因此您将获得一个可以使用的“有效”蒙版。

我用 Python 来面对你，因为它是关于思想和 API 的，而且我断然拒绝用 C++ 进行原型设计/研究。

(h,w) = im.shape[:2]

im = np.dstack([im, np.full((h,w), 255, dtype=np.uint8)]) # 4th channel will be "valid mask"

rmax = np.hypot(h, w) / 2

(cx, cy) = (w-1) / 2, (h-1) / 2

# dsize
dh = 360 * 2
dw = 1000

# need to explicitly initialize that because the warp does NOT initialize out-of-bounds pixels
warped = np.zeros((dh, dw, 4), dtype=np.uint8)

cv.warpPolar(dst=warped, src=im, dsize=(dw, dh), center=(cx,cy), maxRadius=int(rmax), flags=cv.INTER_LANCZOS4)

values = warped[..., 0:3]
mask = warped[..., 3]

values = cv.cvtColor(values, cv.COLOR_BGR2GRAY)

图片1：

图2：

mvalues = np.ma.masked_array(values, mask=(mask == 0))

# numpy only has min/max/median for masked arrays
# need this for quantile/percentile
# this selects the valid pixels for every column
cols = (col.compressed() for col in mvalues.T)
cols = [col for col in cols if len(col) > 0]

plt.figure(figsize=(16, 6), dpi=150)
plt.xlim(0, dw)

for p in [0, 10, 25, 50, 75, 90, 100]:
    plt.plot([np.percentile(col, p) for col in cols if len(col) > 0], 'k', linewidth=0.5, label=f'{p}%')

plt.plot(mvalues.mean(axis=0), 'red', linewidth=2, label='mean')
plt.legend()
plt.show()

第一张图的情节：

第二张图的情节：