从明亮的彩条下发现图像

Question

背景

给定一张覆盖有亮色条的黑白图像，目标是识别它。原始图像仍然可见，但不够清晰，无法识别。

问题

给定一个 RGB 格式的像素，我需要确定它是彩色的还是黑白的。我应该将它与一系列值进行比较吗？

识别后我想将像素反转为原始像素black & white。在不覆盖原始像素的情况下应该进行哪些计算？

我曾尝试将可能指示彩色像素的值归零，但这种技术覆盖了彩色条后面的原始图像。

最终结果

反转后原图应该足够可见了。
提前致谢。

Answer 1

“给定一个像素 (252, 173, 28)，作为 RGB 格式，我需要确定它是彩色的还是黑白的。” - 黑色将靠近 (0,0,0)，白色 (255,255,255) 看向 RGB Color Space。您可以使用 FFT 方法去除某种频率，正如您在 this post.

中看到的那样

Answer 2

转换为灰度似乎是一个合理的开始：

import cv2

# Load image as greyscale and save
im = cv2.imread('rainbow.jpg', cv2.IMREAD_GRAYSCALE)
cv2.imwrite('result.png',im)

Answer 3

关于您的示例图像的第一件事是色带非常特定于 RGB；叠加的颜色是纯红色、绿色、蓝色、品红色、黄色、青色和白色。这似乎表明修改图像的方式是将通道的一些随机 selection 发送到 255（或者以其他方式将它们放大一些常数或乘数）。 None 图像中的亮点变暗，这表明这些值只是更改为更高的值。由于图像是压缩的 jpeg，这些值也有点模糊。

为了更仔细地观察这种行为，我们可以看一下图像中每个颜色通道的值在图像的特定列上的分布。例如，图像的第一列具有以下像素颜色分布：

从这张图中可以非常明显地看出，红色通道上的值分布与绿色和蓝色通道完全不同，并且所有值都接近红色通道的最大值。这提出了一种检测策略，即在每一列上取每个通道的中值或平均值，并将其阈值设为 select“坏”通道。例如，任何通道的平均值超过 230 或每列的值都是“坏”通道。运行通过这个过程给出以下频道为坏；您可以看到它非常接近图像中的实际色带：

您还可以使用统计技术，例如阈值标准偏差而不是实际值（或使用值、标准偏差、偏度、峰度等的某种组合）以获得一些稳健性。

我们可以用其余通道的平均值或中值来估算坏通道中的值：

但是，当您执行此操作时，您可以看到整个过程中有一些明亮的单列条带，这些条带对应于错误通道识别有点失败的列。失败的发生部分是因为图像是 jpeg，部分是因为一些颜色混合在一起（即颜色变化不一定发生在像素的边缘），很难 select 正确的阈值，等等。这些问题在放大的图片上更容易看到：

但是，我们可以做一些比上述所有事情更简单的事情。特别是，对于每一列，我们知道坏通道总是最亮的通道。由于图像最终是灰度的，我们只需要每个像素一个通道。这意味着我们可以简单地为每一列选择最暗的通道，我们永远不会得到坏的列（除非所有三个通道都坏，在这种情况下信息被破坏）。

所以这个过程只是select每列颜色通道的最小值，这比上述方法更容易用代码表达。而且我们也不必调整任何阈值。

# take the average value over each column
mean_columns = np.mean(img, axis=0)  

# find the channels which have the minimum average value
channel_select = np.argmin(mean_columns, axis=1)

# reshape the result just to be passed into take_along_axis
channel_select = np.expand_dims(channel_select, axis=(0, 2))

# take the selected channels, squeeze just removes an unnecessary axis
gray = np.take_along_axis(img, channel_select, axis=2).squeeze()

这是该操作的结果：

一种简洁的查看方式是 RGB 灰度图像具有三个相同的通道，即它包含冗余信息。您的某些图像列因某些通道的值按比例放大而损坏，但最小值在此过程中是不变的，除非所有通道都已损坏。所以利用这个不变量可以让你恢复大部分数据。

Answer 4

您可能会考虑 OpenCV 中的除法归一化

1. 将输入转换为灰度
1. 应用高斯模糊
1. 申请分部

import cv2

if __name__ == '__main__':
    # Step 1: Convert input to the grayscale
    img = cv2.imread("kztMK.png")
    gry = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # Step 2: Apply Gaussian Blur
    blr = cv2.GaussianBlur(gry, (95, 95), 0)

    # Step 3: Apply Division
    div = cv2.divide(gry, blr, scale=125)

结果：

从明亮的彩条下发现图像

Discover an image from under bright color bars

python

rgb

opencv

image

image-processing

背景

问题

最终结果