Normalize an image returns --->OverflowError: cannot convert float infinity to integer
Normalize an image returns --->OverflowError: cannot convert float infinity to integer
下面是我编写的 python 代码,用于规范化图像并使其照度不变。
对于图像的每个像素,新像素值应为 (R/sum,G/sum,B/sum)
,其中 sum=R+G+B
.
import numpy as np
import cv2
img=cv2.imread(r'C:/Users/kjbaili/.spyder-py3/color_supression_RV/rub00.jpg')
print(img[200,200])
print(img[200,200,0])
def normalized(down):
norm_img = np.zeros(down.shape, down.dtype)
width,height,channels=down.shape
for y in range(0,height):
for x in range(0,width):
sum=down[x,y,0]+down[x,y,1]+down[x,y,2]
b=(down[x,y,0]/ sum)*255
g=(down[x,y,1]/ sum)*255
r=(down[x,y,2]/ sum)*255
norm_img[x,y,0]= b
norm_img[x,y,1]= g
norm_img[x,y,2]= r
return norm_img
image=normalized(img)
cv2.imshow('normalized',image)
cv2.waitKey(0)
cv2.destroyAllWindows()
但是,我收到以下错误:
OverflowError: cannot convert float infinity to integer
尽管我在这里找到了与此相关的类似已回答问题,但我无法将其投射到我的问题中,因为我不知道哪个值会导致无穷大。
很乐意提供一些帮助
提前致谢
您的访问索引已切换。你应该做 down[y,x,0]
等而不是 down[x,y,0]
。但是,我怀疑您在此处访问时不会遇到任何错误,因为图像是方形的。此外,与完整的浮点精度相比,当您以有限的精度将三个数字加在一起时,您的值将会溢出。例如,在无符号 8 位整数中添加 200 + 100 + 50
将导致 350 % 256 = 94
。在你的无穷大结果中可能发生的事情是你有完全黑色的像素所以归一化导致除以 0 错误,或者三个值的总和溢出给你一个值 0 再次给你这个结果。
您可以做的是执行健全性检查以确保如果三个通道的总和不等于 0,则执行归一化。此外,您将需要更改精度,以便它可以在求和后处理更高的值。
换句话说:
def normalized(down):
norm_img = np.zeros(down.shape, down.dtype)
width,height,channels=down.shape
for y in range(0,height):
for x in range(0,width):
sum=float(down[y,x,0])+float(down[y,x,1])+float(down[y,x,2]) # Change
if sum > 0: # Change
b=(down[y,x,0]/ sum)*255.0 # Change
g=(down[y,x,1]/ sum)*255.0
r=(down[y,x,2]/ sum)*255.0
norm_img[y,x,0]= b # Should cast downwards automatically
norm_img[y,x,1]= g
norm_img[y,x,2]= r
return norm_img
这当然是非常低效的,因为您在单个像素上循环并且没有利用体现 NumPy 数组的矢量化。简单的说,用numpy.sum
沿着第三个维度求和,然后把每个通道除以对应的量:
def normalized(down):
sum_img = np.sum(down.astype(np.float), axis=2)
sum_img[sum_img == 0] = 1
return (255 * (down.astype(np.float) / sum_img[...,None])).astype(down.dtype)
第一行计算一个二维数组,其中每个位置沿通道维度求和,为您提供每个空间位置的 RGB 值总和。我还将类型提升为浮点数以在规范化时保持精度。接下来,第二行代码的中间检查确保没有被零除的错误,所以任何为 0 的像素,我们将标记值设置为 1,以便除法结果为 0 值。之后,我们获取输入图像并将每个相应的 RGB 像素除以相应空间位置的总和。请注意,我使用了广播,以便将 2D 总和数组制作成具有单例第三通道的 3D 数组,以使广播正常工作。最后,我乘以 255,就像您在之前的版本中所做的那样。我还确保将最终结果转换为函数中的传入类型。
为了更简洁一点,您可以通过使用 numpy.sum
的 keepdims
参数来进一步简化此操作,以便在对第三维求和后保持单一维度。这样就避免了手动单例维度插入:
def normalized(down):
sum_img = np.sum(down.astype(np.float), axis=2, keepdims=True)
sum_img[sum_img == 0] = 1
return (255 * (down.astype(np.float) / sum_img)).astype(down.dtype)
下面是我编写的 python 代码,用于规范化图像并使其照度不变。
对于图像的每个像素,新像素值应为 (R/sum,G/sum,B/sum)
,其中 sum=R+G+B
.
import numpy as np
import cv2
img=cv2.imread(r'C:/Users/kjbaili/.spyder-py3/color_supression_RV/rub00.jpg')
print(img[200,200])
print(img[200,200,0])
def normalized(down):
norm_img = np.zeros(down.shape, down.dtype)
width,height,channels=down.shape
for y in range(0,height):
for x in range(0,width):
sum=down[x,y,0]+down[x,y,1]+down[x,y,2]
b=(down[x,y,0]/ sum)*255
g=(down[x,y,1]/ sum)*255
r=(down[x,y,2]/ sum)*255
norm_img[x,y,0]= b
norm_img[x,y,1]= g
norm_img[x,y,2]= r
return norm_img
image=normalized(img)
cv2.imshow('normalized',image)
cv2.waitKey(0)
cv2.destroyAllWindows()
但是,我收到以下错误:
OverflowError: cannot convert float infinity to integer
尽管我在这里找到了与此相关的类似已回答问题,但我无法将其投射到我的问题中,因为我不知道哪个值会导致无穷大。
很乐意提供一些帮助
提前致谢
您的访问索引已切换。你应该做 down[y,x,0]
等而不是 down[x,y,0]
。但是,我怀疑您在此处访问时不会遇到任何错误,因为图像是方形的。此外,与完整的浮点精度相比,当您以有限的精度将三个数字加在一起时,您的值将会溢出。例如,在无符号 8 位整数中添加 200 + 100 + 50
将导致 350 % 256 = 94
。在你的无穷大结果中可能发生的事情是你有完全黑色的像素所以归一化导致除以 0 错误,或者三个值的总和溢出给你一个值 0 再次给你这个结果。
您可以做的是执行健全性检查以确保如果三个通道的总和不等于 0,则执行归一化。此外,您将需要更改精度,以便它可以在求和后处理更高的值。
换句话说:
def normalized(down):
norm_img = np.zeros(down.shape, down.dtype)
width,height,channels=down.shape
for y in range(0,height):
for x in range(0,width):
sum=float(down[y,x,0])+float(down[y,x,1])+float(down[y,x,2]) # Change
if sum > 0: # Change
b=(down[y,x,0]/ sum)*255.0 # Change
g=(down[y,x,1]/ sum)*255.0
r=(down[y,x,2]/ sum)*255.0
norm_img[y,x,0]= b # Should cast downwards automatically
norm_img[y,x,1]= g
norm_img[y,x,2]= r
return norm_img
这当然是非常低效的,因为您在单个像素上循环并且没有利用体现 NumPy 数组的矢量化。简单的说,用numpy.sum
沿着第三个维度求和,然后把每个通道除以对应的量:
def normalized(down):
sum_img = np.sum(down.astype(np.float), axis=2)
sum_img[sum_img == 0] = 1
return (255 * (down.astype(np.float) / sum_img[...,None])).astype(down.dtype)
第一行计算一个二维数组,其中每个位置沿通道维度求和,为您提供每个空间位置的 RGB 值总和。我还将类型提升为浮点数以在规范化时保持精度。接下来,第二行代码的中间检查确保没有被零除的错误,所以任何为 0 的像素,我们将标记值设置为 1,以便除法结果为 0 值。之后,我们获取输入图像并将每个相应的 RGB 像素除以相应空间位置的总和。请注意,我使用了广播,以便将 2D 总和数组制作成具有单例第三通道的 3D 数组,以使广播正常工作。最后,我乘以 255,就像您在之前的版本中所做的那样。我还确保将最终结果转换为函数中的传入类型。
为了更简洁一点,您可以通过使用 numpy.sum
的 keepdims
参数来进一步简化此操作,以便在对第三维求和后保持单一维度。这样就避免了手动单例维度插入:
def normalized(down):
sum_img = np.sum(down.astype(np.float), axis=2, keepdims=True)
sum_img[sum_img == 0] = 1
return (255 * (down.astype(np.float) / sum_img)).astype(down.dtype)