下面是我為了標準化圖像并使其照度不變而編寫的 python 代碼。對于圖像的每個像素，新像素值應為(R/sum,G/sum,B/sum)，其中sum=R+G+B。import numpy as npimport 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_imgimage=normalized(img)cv2.imshow('normalized',image)cv2.waitKey(0)cv2.destroyAllWindows()但是，我收到以下錯誤：OverflowError: cannot convert float infinity to integer雖然，我在這里找到了與此相關的類似已回答問題，但我無法將其投射到我的問題中，因為我不知道哪個值會導致無窮大。
1 回答
12345678_0001
TA貢獻1802條經驗 獲得超5個贊
您的訪問索引已切換。你應該做down[y,x,0]etc. not down[x,y,0]。但是，我懷疑您在此處訪問時不會遇到任何錯誤，因為圖像是方形的。此外，與完整的浮點精度相比，當您以有限的精度將三個數字加在一起時，您的值將會溢出。例如，添加200 + 100 + 50無符號 8 位整數將導致350 % 256 = 94. 在你的無限結果中可能發生的是，要么你有完全黑色的像素，因此歸一化導致除以 0 錯誤，或者三個值的總和溢出給你一個 0 值再次給你這個結果。
您可以做的是執行完整性檢查，以確保如果三個通道的總和不等于 0，則執行歸一化。此外，您還需要更改精度，以便它可以在求和后處理更高的值。
換句話說：
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
這當然是非常低效的，因為您在單個像素上循環并且沒有利用體現 NumPy 數組的矢量化。簡單的說，numpy.sum沿第三個維度求和，然后將每個通道除以相應的量：
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)
第一行計算一個二維數組，其中每個位置沿通道維度求和，為您提供每個空間位置的 RGB 值之和。我還將類型提升為浮點數以在規范化時保持精度。接下來，第二行代碼的中間檢查確保沒有被零除的錯誤，所以任何為 0 的像素，我們將標記值設置為 1，以便除法結果為 0 值。之后，我們獲取輸入圖像并將每個相應的 RGB 像素除以相應空間位置的總和。請注意，我使用了廣播，以便將 2D 總和數組制作成具有單例第三通道的 3D 數組，以使廣播正常工作。最后，我乘以 255，就像您在之前的版本中所做的那樣。
為了更簡潔一點，您可以通過使用keepdims參數來進一步簡化此操作numpy.sum，以便在對第三維求和后維護單例維。這樣就避免了手動單例維度插入：
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)
添加回答
舉報
0/150
提交
取消