(四)图像的%2线性拉伸
环境:Windows10专业版 + IDEA2021.2.3 + jdk11.0.1 + OpenCV-460.jar
系列文章:
(一)Python+GDAL实现BSQ,BIP,BIL格式的相互转换
(二)BSQ,BIL,BIP存储格式的相互转换算法
(三)单波段图像的伪彩色合成:密度分割(含介绍OpenCV中的Mat类)
(四)图像的%2线性拉伸
(五)图像的标准假彩色合成
(六)图像的直方图均衡化
(七)图像的均值滤波
(八)图像的中值滤波
(九)图像的高斯低通滤波
(十)图像的梯度倒数加权平滑
(十一)图像的罗伯特梯度锐化
(十二)图像的Sobel梯度锐化
(十三)图像的拉普拉斯梯度锐化
目录
一、%2线性拉伸简介
二、算法流程
三、代码实现
四、实验结果
1、输入的图像
2、经过 2%线性拉伸后的图像
一、%2线性拉伸简介
图像的2%线性拉伸是一种特殊的图像处理方法,属于百分比拉伸的范畴。在线性拉伸中,所有的像素值都会被均匀地拉伸到指定的范围,而百分比拉伸则更进一步,它只对特定百分比范围内的像素值进行拉伸。
具体来说,2%线性拉伸意味着在拉伸过程中,会去除图像中小于2%和大于98%的像素值部分。这些被去除的像素值通常被视为异常值,它们可能是由于图像获取或处理过程中的噪声、异常点或其他因素导致的。通过去除这些异常值,2%线性拉伸可以更专注于图像中主要的、有价值的信息,从而提高图像的对比度和清晰度。
在实际应用中,2%线性拉伸常用于遥感影像的处理。通过对遥感影像进行直方图分析,可以发现图像数据的分布情况,进而确定哪些像素值可能是异常值。然后,利用2%线性拉伸,可以有效地去除这些异常值,突出显示图像中的主要特征和信息。
虽然2%线性拉伸可以提高图像的对比度和清晰度,但也可能导致一些细节信息的丢失。因此,在使用该方法时,需要根据具体的应用场景和需求进行权衡和调整。同时,也可以结合其他图像处理技术,如直方图均衡化、滤波等,以达到更好的处理效果。
二、算法流程
1、利用OpenCV识别图像的三通道像素值,并存储在二维数组中
2、因为后面需要得到累计频率为%2和98%所对应的像素值,所以需要将二维数组转换为一维数组方便排序
3、在一维数组中统计每个像素所出现的次数,利用HashMap结构的键值对存储像素和像素存在的次数,key存放像素值,value存放像素所出现的次数,然后累加除以像素总数获得累计频率为%2和98%所对应的像素值
4、然后对三通道的二维数组像素值进行%2的线性拉伸
线性拉伸概念:线性拉伸为[a,b]→[c,d],在%2线性拉伸中,a=累计频率为%2的像素值,b=累计频率为98%的像素值,c=0,d=255,原像素值小于a的赋予0,大于b的赋予255,处于[a,b]之间的进行线性变换:新像素值=(d-c)/(b-a)*(原像素值-a)+c
5、对拉伸后的三通道二维数组合成图像并存储
三、代码实现
import org.opencv.core.Core;
import org.opencv.core.CvType;
import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;import java.util.*;/*** @Author: jue_chen* @Date: 2022/10/25/ 16:04* @Attention: 转载, 引用请注明出处*/public class TwoPercentLinear {//加载本地动态链接库static {System.loadLibrary(Core.NATIVE_LIBRARY_NAME);}//图像的行数和列数int rows;int cols;//分离图像的三通道并用集合+数组存储public ArrayList<int[][]> splitThreeChannels(String path) {//使用Mat类存储图像信息Mat mat = Imgcodecs.imread(path);//获得图像的行数和列数rows = mat.rows();cols = mat.cols();//将三个通道进行分离ArrayList<Mat> channels_mat = new ArrayList<>();//split函数是分离三个通道channel的值,例如将[1,2,4,1,2,4]分离得到[1,1],[2,2],[4,4]Core.split(mat, channels_mat);Mat mat1 = channels_mat.get(0);Mat mat2 = channels_mat.get(1);Mat mat3 = channels_mat.get(2);//定义三个二维数组存储三个通道的像素值int[][] channel1_arr = new int[mat1.rows()][mat1.cols()];int[][] channel2_arr = new int[mat2.rows()][mat2.cols()];int[][] channel3_arr = new int[mat3.rows()][mat3.cols()];//获得通道1的数组channel1for (int i = 0; i < channel1_arr.length; i++) {for (int j = 0; j < channel1_arr[0].length; j++) {channel1_arr[i][j] = (int) mat1.get(i, j)[0];}}//获得通道2的数组channel2for (int i = 0; i < channel2_arr.length; i++) {for (int j = 0; j < channel2_arr[0].length; j++) {channel2_arr[i][j] = (int) mat2.get(i, j)[0];}}//获得通道3的数组channel3for (int i = 0; i < channel3_arr.length; i++) {for (int j = 0; j < channel3_arr[0].length; j++) {channel3_arr[i][j] = (int) mat3.get(i, j)[0];}}//将二维数组存放在集合中ArrayList<int[][]> channel_arr = new ArrayList<>();channel_arr.add(channel1_arr);channel_arr.add(channel2_arr);channel_arr.add(channel3_arr);return channel_arr;}//将二维数组变一维数组,便于将灰度值排序public ArrayList<int[]> erWeiToYiWei(ArrayList<int[][]> arrErWei) {//从集合中得到二维数组int[][] arr1_ErWei = arrErWei.get(0);int[][] arr2_ErWei = arrErWei.get(1);int[][] arr3_ErWei = arrErWei.get(2);//定义一维数组int[] arr1_YiWei = new int[arr1_ErWei.length * arr1_ErWei[0].length];int[] arr2_YiWei = new int[arr2_ErWei.length * arr2_ErWei[0].length];int[] arr3_YiWei = new int[arr3_ErWei.length * arr3_ErWei[0].length];//得到通道1的一维数组1for (int i = 0; i < arr1_ErWei.length; i++) {for (int j = 0; j < arr1_ErWei[0].length; j++) {arr1_YiWei[arr1_ErWei[0].length * i + j] = arr1_ErWei[i][j];}}//得到通道2的一维数组2for (int i = 0; i < arr2_ErWei.length; i++) {for (int j = 0; j < arr2_ErWei[0].length; j++) {arr2_YiWei[arr2_ErWei[0].length * i + j] = arr2_ErWei[i][j];}}//得到通道3的一维数组3for (int i = 0; i < arr3_ErWei.length; i++) {for (int j = 0; j < arr3_ErWei[0].length; j++) {arr3_YiWei[arr3_ErWei[0].length * i + j] = arr3_ErWei[i][j];}}//将一维数组进行排序,便于获得每个像素值的累计数量Arrays.sort(arr1_YiWei);Arrays.sort(arr2_YiWei);Arrays.sort(arr3_YiWei);//将一维数组存放在集合中ArrayList<int[]> arrYiWei = new ArrayList<>();arrYiWei.add(arr1_YiWei);arrYiWei.add(arr2_YiWei);arrYiWei.add(arr3_YiWei);return arrYiWei;}//获得累计频率为%2和%98所对应的像素值public int[] getMinMaxPixel(int[] arr) {//构建一个HashMap,key为数组元素,value为数组元素对应的个数Map<Integer, Integer> map = new HashMap<Integer, Integer>();for (int i = 0; i < arr.length; i++) {//arr[i]不存在HashMap的key中,将其作为key存入map中,value初始化计数为1if (!map.containsKey(arr[i])) {map.put(arr[i], 1);}//arr[i]存放在HashMap的key中,原有的value值+1,即每个像素存在的数量在原基础上加一else {map.put(arr[i], map.get(arr[i]) + 1);}}//定义累计频率为%2和98%所对应的像素值int minPixel = 0;int maxPixel = 0;//存放累加获得的像素值int num = 0;//计算累计频率for (int i = 0; i < 255; i++) {//图像的像素值范围为0-255,当该图像存在此大小的像素值时,获取它的格式if (map.get(i) != null) {num += map.get(i);//累计频率为2%时的像素值if ((double) num / (rows * cols) <= 0.02) {minPixel = i;}//累计频率为98%时的像素值if ((double) num / (rows * cols) <= 0.98) {maxPixel = i;}}}//将此图像累计频率为%2,98%的像素值存入数组int[] minMaxPixel = new int[2];minMaxPixel[0] = minPixel;minMaxPixel[1] = maxPixel;return minMaxPixel;}//线性拉伸[a,b]到[c,d]//进行%2线性拉伸,a=min,b=max,c=0,d=255//像素值小于min的赋予0,像素值大于max的赋予255//像素值处于[min,max]之间的进行线性拉伸:新像素值=(d-c)/(b-a)*(原像素值-min)+cpublic int[][] twoPercentLiner(int min, int max, int[][] arr) {//定义拉伸后的二维数组int[][] arr_linear = new int[arr.length][arr[0].length];for (int i = 0; i < arr.length; i++) {for (int j = 0; j < arr[0].length; j++) {if (arr[i][j] < min) {arr_linear[i][j] = 0;} else if (arr[i][j] > max) {arr_linear[i][j] = 255;} else {arr_linear[i][j] = 255 / (max - min) * (arr[i][j] - min);}}}return arr_linear;}//合成显示public Mat compositeImage(int[][] arr1, int[][] arr2, int[][] arr3) {//定义存放拉伸后三通道像素的二维数组int[][] mat_arr = new int[arr1.length][arr1[0].length * 3];for (int i = 0; i < arr1.length; i++) {//拉伸后通道1像素值放入二维数组for (int j = 0; j < arr1[0].length; j++) {mat_arr[i][3 * j] = arr1[i][j];}//拉伸后通道2像素值放入二维数组for (int j = 0; j < arr2[0].length; j++) {mat_arr[i][3 * j + 1] = arr2[i][j];}//拉伸后通道2像素值放入二维数组for (int j = 0; j < arr3[0].length; j++) {mat_arr[i][3 * j + 2] = arr3[i][j];}}//定义新图像存放拉伸后的图像Mat mat = new Mat(arr1.length, arr1[0].length, CvType.CV_32SC3);//将像素放入图像for (int i = 0; i < mat_arr.length; i++) {//一次放入一行三通道像素值mat.put(i, 0, mat_arr[i]);}return mat;}public static void main(String[] args) {TwoPercentLinear tpl = new TwoPercentLinear();//获得三通道的二维数组ArrayList<int[][]> channel_arrErWei = tpl.splitThreeChannels("D:\\Project\\IDEA_Project\\RS01\\src\\rs01\\img\\10.png");int[][] channel1_arrErwWei = channel_arrErWei.get(0);int[][] channel2_arrErwWei = channel_arrErWei.get(1);int[][] channel3_arrErwWei = channel_arrErWei.get(2);//获得三通道的一维数组ArrayList<int[]> channel_arrYiWei = tpl.erWeiToYiWei(channel_arrErWei);//获得通道1的累计频率为%2,98%像素int[] channel1_arr = channel_arrYiWei.get(0);int[] channel1_minMaxPixel = tpl.getMinMaxPixel(channel1_arr);int channel1_min = channel1_minMaxPixel[0];int channel1_max = channel1_minMaxPixel[1];//获得通道2的累计频率为%2,98%像素int[] channel2_arr = channel_arrYiWei.get(1);int[] channel2_minMaxPixel = tpl.getMinMaxPixel(channel2_arr);int channel2_min = channel2_minMaxPixel[0];int channel2_max = channel2_minMaxPixel[1];//获得通道3的累计频率为%2,98%像素int[] channel3_arr = channel_arrYiWei.get(2);int[] channel3_minMaxPixel = tpl.getMinMaxPixel(channel3_arr);int channel3_min = channel3_minMaxPixel[0];int channel3_max = channel3_minMaxPixel[1];//三通道进行%2线性拉伸后的数组int[][] channel1_arrLinear = tpl.twoPercentLiner(channel1_min, channel1_max, channel1_arrErwWei);int[][] channel2_arrLinear = tpl.twoPercentLiner(channel2_min, channel2_max, channel2_arrErwWei);int[][] channel3_arrLinear = tpl.twoPercentLiner(channel3_min, channel3_max, channel3_arrErwWei);//将%2拉伸后三通道合成新图像Mat mat = tpl.compositeImage(channel1_arrLinear, channel2_arrLinear, channel3_arrLinear);//将新图像写入文件Imgcodecs.imwrite("D:\\Project\\IDEA_Project\\RS01\\src\\rs01\\img\\10_linear.png", mat);}
}
四、实验结果
1、输入的图像
2、经过 2%线性拉伸后的图像
主要特征亮度提高了很多,拉伸效果较好