技術文章 » 仿照「全能掃描王」的影象增強-由原理到實現

仿照「全能掃描王」的影象增強-由原理到實現

2022-12-20 21:01:24
一、演演算法目標：
實現這種背景去除增強的效果，特別是在「全能掃描王」中該演演算法得到了典型的應用。

 

 

二、使用PS進行模擬
影象處理演演算法很多時候就是對成熟經驗的模擬和復現。首先我們來看PS下的處理。
 
1.手機拍一張需要電子版的紙質檔案：

 

 

 
2.開啟PS，複製背景，得到圖層1：

 

 

3.對圖層1使用濾鏡：高斯模糊，半徑100畫素：
 

 

 

4.改變圖層1混合模式：劃分：

 

 

 
5.新增曲線調整層，壓暗文字：

 

 

6.合併可見圖層。
 
7.柔角畫筆擦掉彩色噪點和邊緣露出的拍攝背景：
 
那麼，這個效果的確實很好的，關鍵問題就是「劃分」是什麼操作？
PS中劃分模式的計算公式：
結果色 = (基色 / 混合色) * 255。
分析每個顏色通道的數值，並用基色分割混合色，基色數值大於或等於混合色數值，混合出的顏色為白色。基色數值小於混合色，結果色比基色更暗。因此結果色對比非常強。
兩個一樣的圖層（複製基色圖層），圖層混合模式改為劃分結果色就是白色
混合色為白色，結果色就是基色；混合色為黑色，結果色就是白色；
公式驗證：r值（255/79）*255=823；結果色大於255，系統就預設為最大值255；以公式推斷基色數值大於或等於混合色數值，混合出的顏色為白色。

 

 

 

 

 

 


 
三、整理流程，轉換為程式碼
 
影象A,B，為同一場景在不一樣的光照拍攝圖片，那麼：
光照分佈 L = A / B
如果已知 A， L ，則 B = A / L (B 為A去光照的結果)
這裡L約等於 gaussFilter(A, 大核)

 

 
再進一步轉換為程式碼：
  
    Mat src = imread("t1.jpeg");
    src.convertTo(src,CV_32FC3,1.0/255);
    Mat gauss;
    Mat dst = src.clone();
    cv::GaussianBlur(src,gauss,Size(101,101),0);
    
    //劃分
    //如果混合色與基色相同則結果色為白色
    //如混合色為白色則結果色為基色不變
    //如混合色為黑色則結果色為白色
    dst = src/gauss;
    waitKey();

 

 

在這個基礎上，進一步進行封裝：
 
//USM影象增
void ImageSharp(Mat &src,Mat &dst,int nAmount = 1000)
{
    double sigma = 3;  
    int threshold = 1;  
    float amount = nAmount/100.0f;  
    Mat imgBlurred;
    GaussianBlur(src, imgBlurred, Size(), sigma, sigma);
    Mat lowContrastMask = abs(src-imgBlurred)<threshold;
    dst = src*(1+amount)+imgBlurred*(-amount);
    src.copyTo(dst, lowContrastMask);
}

int main()
{
    Mat src = imread("E:\\未來專案\\白板增強\\images\\t1.jpeg");
    src.convertTo(src,CV_32FC3,1.0/255);
    Mat gauss;
    Mat dst1 = src.clone();
    Mat dst2 = src.clone();
    cv::GaussianBlur(src,gauss,Size(101,101),0);
    dst1 = src/gauss;
    blur(src,gauss,Size(101,101));
    dst2 = src/gauss;
    //劃分
    ImageSharp(dst2,dst2,101);
    waitKey();
    return 0;
}
效果更好

 

 

 
四、原理解析
演演算法的效果不錯，下一步就是要分析為什麼了。
關鍵點在於blur的話就可以思考得更清楚了，在101*101的格子裡面算平均值，然後前景和其進行比較，對於那些有字的，肯定是小於平均值，關鍵是對於背景，肯定大於平均值，這樣一除就變成了全白，問題也就清楚了。
我也找到了ImageShop作者對這個演演算法的分析，他是專門做增強的，分析的比較有道理：

「這個演演算法在此類影象中能夠成功的核心是：在原圖中比較黑的文字部分，佔用的整體是比較少的，當大半徑模糊時，模糊的值是接近紙張之類的顏色的，也就是比較靠近白色，所以結果基本上沒什麼變化，而紙張那些地方的顏色，因為模糊的值和他們的原始值基本差不多，所以Src/Blur基本接近1，在乘以255，所以結果就變為白色了。」 

五、補充材料
1、發現OpenCV自帶Divide演演算法，未進一步檢測，我自信目前的解決是不錯的。
divide
Performs per-element division of two arrays or a scalar by an array.
C++: void divide(InputArray src1, InputArray src2, OutputArray dst, double scale=1, int dtype=-1)
C++: void divide(double scale, InputArray src2, OutputArray dst, int dtype=-1)
Python: cv2.divide(src1, src2[, dst[, scale[, dtype]]]) → dst
Python: cv2.divide(scale, src2[, dst[, dtype]]) → dst
C: void cvDiv(const CvArr* src1, const CvArr* src2, CvArr* dst, double scale=1)
Python: cv.Div(src1, src2, dst, scale=1) → None
Parameters:   
src1 – first input array.
src2 – second input array of the same size and type as src1.
scale – scalar factor.
dst – output array of the same size and type as src2.
dtype – optional depth of the output array; if -1, dst will have depth src2.depth(), but in case of an array-by-array division, you can only pass -1 when src1.depth()==src2.depth().
The functions divide divide one array by another:
or a scalar by an array when there is no src1 :
When src2(I) is zero, dst(I) will also be zero. Different channels of multi-channel arrays are processed independently.