OpenCV 的 Contrast Preserving Decolorization 源码解析

本文涉及的产品
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
全局流量管理 GTM,标准版 1个月
云解析 DNS,旗舰版 1个月
简介: OpenCV 的 Contrast Preserving Decolorization 源码解析

运行效果为:

image.png

出乎我意料的是,不仅仅保留了对比度,居然还增强了图像的对比度(去雾,不过只适用于比较均匀的雾),不过运行的速度堪忧,500*500的图像都需要 1s 多!

image.png

经过 OpenMP 优化,执行时间减少了一半左右

image.png

该代码是源于 香港中文大学 计算机科学与工程系 的一篇论文 Contrast Preserving Decolorization

其代码已被收录到 OpenCV 的源码中,位于(注意,3.* 以上才有)

image.png


以下是在通读了论文《IEEE International Conference on Computational Photography(ICCP), 2012》之后,对原始代码做的详细注释( OpenCV 原代码中有多处 Bug,我已 fix 掉):

void deColor(InputArray _src, OutputArray _dst, OutputArray _color_boost)
    {
        Mat I = _src.getMat();
        _dst.create(I.size(), CV_8UC1);
        Mat dst = _dst.getMat();
        _color_boost.create(I.size(), CV_8UC3);
        Mat color_boost = _color_boost.getMat();
        CV_Assert(!I.empty() && (I.channels() == 3));
        // Parameter Setting
        const int maxIter = 15;
        const double tol = .0001;
        int iterCount = 0;
        double E = 0;
        double pre_E = std::numeric_limits<double>::infinity(); // 返回编译器允许的 double 型的正无穷大
        Mat img;
        I.convertTo(img, CV_32FC3, 1.0 / 255.0); // 8UC3 -> 32FC3,归一化
        // Initialization
        Decolor obj;
        vector <double> Cg;
        vector < vector <double> > polyGrad;
        vector <Vec3i> comb;
        vector <double> alf;
        obj.gradSystem(img, polyGrad, Cg, comb);
        obj.weakOrder(img, alf);
        // Solver
        Mat Mt = Mat(int(polyGrad.size()), int(polyGrad[0].size()), CV_32FC1);
        obj.weightUpdateMatrix(polyGrad, Cg, Mt);
        vector <double> wei;
        obj.weightInit(comb, wei);
         main loop starting 
        vector <double> G_pos(alf.size());
        vector <double> G_neg(alf.size());
        vector <double> EXPsum(G_pos.size());
        vector <double> EXPterm(G_pos.size());
        vector <double> temp(polyGrad[0].size());
        vector <double> temp1(polyGrad[0].size());
        vector <double> temp2(EXPsum.size());
        vector <double> wei1(polyGrad.size());
        while (sqrt(pow(E - pre_E, 2)) > tol)
        {
            iterCount += 1;
            pre_E = E;
      // 梯度图大小
            for (size_t i = 0; i < polyGrad[0].size(); i++)
            {
                double val = 0.0;
        // 基的个数,公式(10)
                for (size_t j = 0; j < polyGrad.size(); j++)
                    val = val + (polyGrad[j][i] * wei[j]);
        // 公式(4) 的绝对值内部
                temp[i] = val - Cg[i];
                temp1[i] = val + Cg[i];
            }
      // 近似公式(4)
            for (size_t i = 0; i < alf.size(); i++)
            {
                const double sqSigma = obj.sigma * obj.sigma;
                const double pos = ((1 + alf[i]) / 2) * exp(-1.0 * 0.5 * (temp[i] * temp[i]) / sqSigma);
                const double neg = ((1 - alf[i]) / 2) * exp(-1.0 * 0.5 * (temp1[i] * temp1[i]) / sqSigma);
                G_pos[i] = pos;
                G_neg[i] = neg;
            }
      // 近似公式(12)(14)
            for (size_t i = 0; i < G_pos.size(); i++)
                EXPsum[i] = G_pos[i] + G_neg[i];
            for (size_t i = 0; i < EXPsum.size(); i++)
                temp2[i] = (EXPsum[i] == 0) ? 1.0 : 0.0;
            for (size_t i = 0; i < G_pos.size(); i++)
                EXPterm[i] = (G_pos[i] - G_neg[i]) / (EXPsum[i] + temp2[i]);
      // 更新权重
            for (int i = 0; i < int(polyGrad.size()); i++)
            {
                double val1 = 0.0;
                for (int j = 0; j < int(polyGrad[0].size()); j++)
                {
                    val1 = val1 + (Mt.at<float>(i, j) * EXPterm[j]);
                }
                wei1[i] = val1;
            }
      // 替换权重
            for (size_t i = 0; i < wei.size(); i++)
                wei[i] = wei1[i];
      // 公式(11)
            E = obj.energyCalcu(Cg, polyGrad, wei);
            if (iterCount > maxIter)
                break;
        }
        Mat Gray = Mat::zeros(img.size(), CV_32FC1);
        obj.grayImContruct(wei, img, Gray);
        Gray.convertTo(dst, CV_8UC1, 255);
        ///       Contrast Boosting   /
        Mat lab;
        cvtColor(I, lab, COLOR_BGR2Lab);
        vector <Mat> lab_channel;
        split(lab, lab_channel);
        dst.copyTo(lab_channel[0]); // 仅仅替换 L 通道
        merge(lab_channel, lab);
        cvtColor(lab, color_boost, COLOR_Lab2BGR);
    }
    double Decolor::energyCalcu(const vector <double> &Cg, const vector < vector <double> > &polyGrad, const vector <double> &wei) const
    {
        const size_t size = polyGrad[0].size();
        vector <double> energy(size);
        vector <double> temp(size);
        vector <double> temp1(size);
    // 公式(11)两个 exp {} 中的部分
    // 公式中的 l(x,y)
        for (size_t i = 0; i < polyGrad[0].size(); i++)
        {
            double val = 0.0;
      // 公式中的 i
            for (size_t j = 0; j < polyGrad.size(); j++)
                val = val + (polyGrad[j][i] * wei[j]);
            temp[i] = val - Cg[i];
            temp1[i] = val + Cg[i];
        }
    // 注意这里和公式(11)不同,左右两边的比重都为 1
        for (size_t i = 0; i < polyGrad[0].size(); i++)
            energy[i] = -1.0 * log(exp(-1.0 * pow(temp[i], 2) / sigma) + exp(-1.0 * pow(temp1[i], 2) / sigma));
        double sum = 0.0;
    // 把整幅图的能量(代价)都相加起来
        for (size_t i = 0; i < polyGrad[0].size(); i++)
            sum += energy[i];
    // 平均
        return (sum / polyGrad[0].size());
    }
    Decolor::Decolor()
    {
        kernelx = Mat(1, 2, CV_32FC1);
        kernely = Mat(2, 1, CV_32FC1);
        kernelx.at<float>(0, 0) = 1.0; // 1., -1.
        kernelx.at<float>(0, 1) = -1.0;
        kernely.at<float>(0, 0) = 1.0;  // 1.; -1.
        kernely.at<float>(1, 0) = -1.0;
        order = 2; // degree
        sigma = 0.02f;
    }
    vector<double> Decolor::product(const vector <Vec3i> &comb, const double initRGB[3])
    {
        vector <double> res(comb.size());
    // 从 comb 容器中,逐个取出 vec3 和 rgb 进行点乘
        for (size_t i = 0; i < comb.size(); i++)
        {
            double dp = 0.0;
            for (int j = 0; j < 3; j++)
                dp = dp + (comb[i][j] * initRGB[j]);
            res[i] = dp;
        }
    // 返回每个 vec3 点乘的结果
        return res;
    }
    // 计算横向的单通道梯度图
    void Decolor::singleChannelGradx(const Mat &img, Mat &dest) const
    {
        const int w = img.size().width;
        // kernels.cols/2-1, kernelx.rows/2-1
        // 调整卷积图像的锚点,默认是 (-1,-1)
        // Σ kernel(x',y')*src(x+x'-anchor.x, y+y'-anchor.y)
        const Point anchor(kernelx.cols - kernelx.cols / 2 - 1, kernelx.rows - kernelx.rows / 2 - 1);
        filter2D(img, dest, -1, kernelx, anchor, 0.0, BORDER_CONSTANT); // 超出边界的地方用常数填充
        dest.col(w - 1) = 0.0;// 最右侧设置为 0
    }
    // 计算纵向的单通道梯度图
    void Decolor::singleChannelGrady(const Mat &img, Mat &dest) const
    {
        const int h = img.size().height;
        const Point anchor(kernely.cols - kernely.cols / 2 - 1, kernely.rows - kernely.rows / 2 - 1);
        filter2D(img, dest, -1, kernely, anchor, 0.0, BORDER_CONSTANT);
        dest.row(h - 1) = 0.0;
    }
  // 计算横向和纵向的梯度(转置)并合并到一个容器中
    void Decolor::gradvector(const Mat &img, vector <double> &grad) const
    {
        Mat dest;
        Mat dest1;
        singleChannelGradx(img, dest);
        singleChannelGrady(img, dest1);
        // 得到转置的单通道梯度图
        Mat d_trans = dest.t();
        Mat d1_trans = dest1.t();
        const int height = d_trans.size().height;
        const int width = d_trans.size().width;
        // 把两张梯度图合并到一个容器当中(前:横向,后:纵向)
        // OpenCV 源码中此处有越界问题(难以置信)
        grad.resize(width * height * 2);
        for (int i = 0; i < height; i++)
            for (int j = 0; j < width; j++)
                grad[i * width + j] = d_trans.at<float>(i, j);
        const int offset = width * height;
        for (int i = 0; i < height; i++)
            for (int j = 0; j < width; j++)
                grad[offset + i * width + j] = d1_trans.at<float>(i, j);
    }
  // 计算 CIELab 空间的颜色对比度
    void Decolor::colorGrad(const Mat &img, vector <double> &Cg) const
    {
        Mat lab;
        // 转换到 CIELab 颜色空间
        cvtColor(img, lab, COLOR_BGR2Lab);
        vector <Mat> lab_channel;
        split(lab, lab_channel);
        vector <double> ImL;
        vector <double> Ima;
        vector <double> Imb;
        // 分别计算 Lab 三个通道的梯度图
        gradvector(lab_channel[0], ImL);
        gradvector(lab_channel[1], Ima);
        gradvector(lab_channel[2], Imb);
        Cg.resize(ImL.size());
    // 计算颜色对比度(Color Contrast)
        for (size_t i = 0; i < ImL.size(); i++)
        {
            const double res = sqrt(pow(ImL[i], 2) + pow(Ima[i], 2) + pow(Imb[i], 2)) / 100;
            Cg[i] = res;
        }
    }
    // 构造一个 vec3 张量,并添加到 comb 容器中
    void Decolor::addVector(vector <Vec3i> &comb, int &idx, int r, int g, int b)
    {
        comb.push_back(Vec3i(r, g, b));
        idx++;
    }
  // 保存梯度容器到一个容器的容器
    void Decolor::addToVectorPoly(vector < vector <double> > &polyGrad, const vector <double> &curGrad, int &idx1)
    {
        polyGrad.push_back(curGrad);
        idx1++;
    }
  // 和论文上公式不同
    void Decolor::weakOrder(const Mat &src, vector <double> &alf) const
    {
        const int h = src.size().height;
        const int w = src.size().width;
        cv::Mat img;
        if ((h + w) > 800)
        {
            const double sizefactor = double(800) / (h + w);
            resize(src, img, Size(cvRound(w * sizefactor), cvRound(h * sizefactor)));
        }
        else
            img = src;
        Mat curIm = Mat(img.size(), CV_32FC1);
        vector <Mat> rgb_channel;
        split(img, rgb_channel);// 又对图像进行了分裂
        vector <double> Rg, Gg, Bg;
        gradvector(rgb_channel[2], Rg); // 计算 RGB 三个通道的梯度图
        gradvector(rgb_channel[1], Gg);
        gradvector(rgb_channel[0], Bg);
        vector <double> t1(Rg.size()), t2(Rg.size()), t3(Rg.size());
        vector <double> tmp1(Rg.size()), tmp2(Rg.size()), tmp3(Rg.size());
        const double level = .05;
    // 和 level 、-level 进行比较
        for (size_t i = 0; i < Rg.size(); i++)
        {
            t1[i] = (Rg[i] > level) ? 1.0 : 0.0;
            t2[i] = (Gg[i] > level) ? 1.0 : 0.0;
            t3[i] = (Bg[i] > level) ? 1.0 : 0.0;
            tmp1[i] = (Rg[i] < -1.0 * level) ? 1.0 : 0.0;
            tmp2[i] = (Gg[i] < -1.0 * level) ? 1.0 : 0.0;
            tmp3[i] = (Bg[i] < -1.0 * level) ? 1.0 : 0.0;
        }
        alf.resize(Rg.size());
        for (size_t i = 0; i < Rg.size(); i++)
            alf[i] = (t1[i] * t2[i] * t3[i]);
        for (size_t i = 0; i < Rg.size(); i++)
            alf[i] -= tmp1[i] * tmp2[i] * tmp3[i];
    }
  // 构造 polynomial space 每个基的梯度图,还有得到 CIELab 颜色空间的对比度,以及 polynomial space 的基
    void Decolor::gradSystem(const Mat &src, vector < vector < double > > &polyGrad,
                             vector < double > &Cg, vector <Vec3i> &comb) const
    {
        int h = src.size().height;
        int w = src.size().width;
        cv::Mat img;
        // 如果宽高和超过一定大小则进行缩放
        if ((h + w) > 800)
        {
            const double sizefactor = double(800) / (h + w);
            resize(src, img, Size(cvRound(w * sizefactor), cvRound(h * sizefactor)));
        }
        else
            img = src;
        h = img.size().height;
        w = img.size().width;
        colorGrad(img, Cg);
    // 将一副图像映射到 polynomial space
        Mat curIm = Mat(img.size(), CV_32FC1);
        vector <Mat> rgb_channel;
        split(img, rgb_channel); // 得到 BGR 三个通道
        int idx = 0, idx1 = 0;
        for (int r = 0; r <= order; r++)
            for (int g = 0; g <= order; g++)
                for (int b = 0; b <= order; b++)
                {
                    if ((r + g + b) <= order && (r + g + b) > 0)
                    {
            // 保存 polynomial space 的基
                        addVector(comb, idx, r, g, b);
            // 每个 polynomial space 的基(r, g, b) 都要对整张图像进行计算(w*h 大小)
                        for (int i = 0; i < h; i++)
                            for (int j = 0; j < w; j++)
                // 映射每一个 rgb 像素
                                curIm.at<float>(i, j) =
                                    pow(rgb_channel[2].at<float>(i, j), r) * 
                  pow(rgb_channel[1].at<float>(i, j), g) *
                                    pow(rgb_channel[0].at<float>(i, j), b);
                        vector <double> curGrad;
                        gradvector(curIm, curGrad);
            // 保存每个基计算的梯度图
                        addToVectorPoly(polyGrad, curGrad, idx1);
                    }
                }
    }
    void Decolor::weightUpdateMatrix(const vector < vector <double> > &poly, const vector <double> &Cg, Mat &X)
    {
    // 容器转为矩阵
        const int size = static_cast<int>(poly.size());
        const int size0 = static_cast<int>(poly[0].size());
        Mat P = Mat(size, size0, CV_32FC1);
        for (int i = 0; i < size; i++)
            for (int j = 0; j < size0; j++)
                P.at<float>(i, j) = static_cast<float>(poly[i][j]);
    // 转置
        const Mat P_trans = P.t();
        Mat B = Mat(size, size0, CV_32FC1);
        for (int i = 0; i < size; i++)
        {
            for (int j = 0, end = int(Cg.size()); j < end; j++)
                B.at<float>(i, j) = static_cast<float>(poly[i][j] * Cg[j]);
        }
    // 得到一个方阵,大小为 size*size
        Mat A = P * P_trans;
    // 求解线性方程组,这里的 X 应该是论文公式(14)的部分
    // cv::solve -- https://docs.opencv.org/3.1.0/d2/de8/group__core__array.html#ga12b43690dbd31fed96f213eefead2373
    // DECOMP_NORMAL -- https://docs.opencv.org/3.1.0/d2/de8/group__core__array.html#gaaf9ea5dcc392d5ae04eacb9920b9674c
        // 这意味着求解的方程是 src1 T⋅src1⋅dst = src1 T src2,而不是原始方程 src1⋅dst = src2
        solve(A, B, X, DECOMP_NORMAL);
        //--------------------- 
        // DECOMP_LU(LU分解)
        // http://blog.csdn.net/myhaspl/article/details/49450743
        // DECOMP_CHOLESKY(CHOLESKY分解)
        // http://blog.csdn.net/acdreamers/article/details/44656847
        // DECOMP_EIG(EIG分解)
        // DECOMP_SVD(SVD分解)
        // http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html
        // DECOMP_QR(QR分解)
        // http://blog.sina.com.cn/s/blog_3f41287a0101ke2s.html
        //--------------------- 
    }
    void Decolor::weightInit(const vector <Vec3i> &comb, vector <double> &wei)
    {
        double initRGB[3] = { .33, .33, .33 };
    // 通过 polynomial space 的基和 rgb 系数进行点乘,对 weight 进行初始化
        wei = product(comb, initRGB);
        vector <int> sum(comb.size());
        for (size_t i = 0; i < comb.size(); i++)
            sum[i] = (comb[i][0] + comb[i][1] + comb[i][2]);
    // 除了 r,g,b 这三种基,其他基的权重初始化为 0
        for (size_t i = 0; i < sum.size(); i++)
        {
            if (sum[i] == 1)
                wei[i] = wei[i] * double(1);
            else
                wei[i] = wei[i] * double(0);
        }
        sum.clear();
    }
    // 将迭代出各个基的权重和各个基相乘,并把结果累加到原灰度上
    void Decolor::grayImContruct(vector <double> &wei, const Mat &img, Mat &Gray) const
    {
        const int h = img.size().height;
        const int w = img.size().width;
        vector <Mat> rgb_channel;
        split(img, rgb_channel);
        int kk = 0;
        for (int r = 0; r <= order; r++)
            for (int g = 0; g <= order; g++)
                for (int b = 0; b <= order; b++)
                    if ((r + g + b) <= order && (r + g + b) > 0)
                    {
                        for (int i = 0; i < h; i++)
                            for (int j = 0; j < w; j++)
                                Gray.at<float>(i, j) = Gray.at<float>(i, j) +
                                                       static_cast<float>(wei[kk]) * pow(rgb_channel[2].at<float>(i, j), r) * pow(rgb_channel[1].at<float>(i, j), g) *
                                                       pow(rgb_channel[0].at<float>(i, j), b);
                        kk = kk + 1; // 遍历各个基
                    }
        // 找出最值,并调整归一化便于显示
        double minval, maxval;
        minMaxLoc(Gray, &minval, &maxval);
        Gray -= minval;
        Gray /= maxval - minval;
    }


目录
相关文章
|
8天前
|
监控 Java 应用服务中间件
高级java面试---spring.factories文件的解析源码API机制
【11月更文挑战第20天】Spring Boot是一个用于快速构建基于Spring框架的应用程序的开源框架。它通过自动配置、起步依赖和内嵌服务器等特性,极大地简化了Spring应用的开发和部署过程。本文将深入探讨Spring Boot的背景历史、业务场景、功能点以及底层原理,并通过Java代码手写模拟Spring Boot的启动过程,特别是spring.factories文件的解析源码API机制。
28 2
|
1月前
|
机器学习/深度学习 监控 算法
基于计算机视觉(opencv)的运动计数(运动辅助)系统-源码+注释+报告
基于计算机视觉(opencv)的运动计数(运动辅助)系统-源码+注释+报告
49 3
|
8天前
|
存储 安全 Linux
Golang的GMP调度模型与源码解析
【11月更文挑战第11天】GMP 调度模型是 Go 语言运行时系统的核心部分,用于高效管理和调度大量协程(goroutine)。它通过少量的操作系统线程(M)和逻辑处理器(P)来调度大量的轻量级协程(G),从而实现高性能的并发处理。GMP 模型通过本地队列和全局队列来减少锁竞争,提高调度效率。在 Go 源码中,`runtime.h` 文件定义了关键数据结构,`schedule()` 和 `findrunnable()` 函数实现了核心调度逻辑。通过深入研究 GMP 模型,可以更好地理解 Go 语言的并发机制。
|
1月前
|
缓存 并行计算 Ubuntu
Jetson 学习笔记(十一):jetson agx xavier 源码编译ffmpeg(3.4.1)和opencv(3.4.0)
本文是关于在Jetson AGX Xavier上编译FFmpeg(3.4.1)和OpenCV(3.4.0)的详细教程,包括编译需求、步骤、测试和可能遇到的问题及其解决方案。还提供了Jetson AGX Xavier编译CUDA版本的OpenCV 4.5.0的相关信息。
68 4
Jetson 学习笔记(十一):jetson agx xavier 源码编译ffmpeg(3.4.1)和opencv(3.4.0)
|
1月前
|
Ubuntu 应用服务中间件 nginx
Ubuntu安装笔记(三):ffmpeg(3.2.16)源码编译opencv(3.4.0)
本文是关于Ubuntu系统中使用ffmpeg 3.2.16源码编译OpenCV 3.4.0的安装笔记,包括安装ffmpeg、编译OpenCV、卸载OpenCV以及常见报错处理。
147 2
Ubuntu安装笔记(三):ffmpeg(3.2.16)源码编译opencv(3.4.0)
|
21天前
|
消息中间件 缓存 安全
Future与FutureTask源码解析,接口阻塞问题及解决方案
【11月更文挑战第5天】在Java开发中,多线程编程是提高系统并发性能和资源利用率的重要手段。然而,多线程编程也带来了诸如线程安全、死锁、接口阻塞等一系列复杂问题。本文将深度剖析多线程优化技巧、Future与FutureTask的源码、接口阻塞问题及解决方案,并通过具体业务场景和Java代码示例进行实战演示。
39 3
|
28天前
|
Ubuntu 编译器 计算机视觉
Ubuntu系统编译OpenCV4.8源码
【10月更文挑战第17天】只要三步即可搞定,第一步是下载指定版本的源码包;第二步是安装OpenCV4.8编译需要的编译器与第三方库支持;第三步就是编译OpenCV源码包生成安装文件并安装。
|
1月前
|
存储
让星星⭐月亮告诉你,HashMap的put方法源码解析及其中两种会触发扩容的场景(足够详尽,有问题欢迎指正~)
`HashMap`的`put`方法通过调用`putVal`实现,主要涉及两个场景下的扩容操作:1. 初始化时,链表数组的初始容量设为16,阈值设为12;2. 当存储的元素个数超过阈值时,链表数组的容量和阈值均翻倍。`putVal`方法处理键值对的插入,包括链表和红黑树的转换,确保高效的数据存取。
56 5
|
1月前
|
Java Spring
Spring底层架构源码解析(三)
Spring底层架构源码解析(三)
113 5
|
1月前
|
XML Java 数据格式
Spring底层架构源码解析(二)
Spring底层架构源码解析(二)

推荐镜像

更多