一种基于Python插值的图像修正方法技术

本发明专利技术提供一种基于Python插值的图像修正方法，包括：(1)对原始图像进行采样，从图像中筛选出非NAN位置，采用Python的griddata插值算法对非NAN位置形成的非NAN区域进行插值；(2)从经过步骤(1)插值后的数据中筛选出NAN位置，采用Python的RBF插值算法对NAN位置形成的NAN区域进行插值；(3)从经过两次插值后的数据中筛选出NAN位置，构建修正矩阵并对原始图像进行阴影修正。本发明专利技术弥补了python中griddata不支持外插值算法的缺陷，实现的插值结果与matlab的griddedInterpolant的结果非常接近，可以作为使用python需要外插值的实现方案。可以作为使用python需要外插值的实现方案。

【技术实现步骤摘要】
一种基于Python插值的图像修正方法


[0001]本专利技术属于图像处理
，尤其涉及一种基于Python插值的图像修正方法。

技术介绍

[0002]摄像头拍摄的图像的边缘部分存在阴影，通常需要对阴影部分进行修正，使得边缘部分尽可能与其他部分保持一样的亮度，在此过程中需要使用插值算法。网格插值算法是一种常用的图像处理技术，不同的编程语言会有不同的实现方式，支持的程度也不同，比如matlab的网格插值算法既支持外插值又支持内插值，而python的网格插值算法仅仅支持内插值，对于FOV(视场角)特别大的摄像头，我们常常需要去除图像边缘角落，此时将边缘的数据设置为NAN，对于这种情况，当我们将matlab程序的运行结果和相应的python程序的运行结果比较，如果算法用到网格插值，两者的结果有可能会有很大差异，由于python对网格外插值算法和处理NAN不够完善，导致结果不是很准。

技术实现思路

[0003]本专利技术提供一种基于Python插值的图像修正方法，弥补了python中griddata不支持外插值的缺陷。
[0004]本专利技术提供的基于Python插值的图像修正方法，包括：
[0005](1)对原始图像进行采样，从图像中筛选出非NAN位置，采用Python的griddata插值算法对非NAN位置形成的非NAN区域进行插值；
[0006](2)从经过步骤(1)插值后的数据中筛选出NAN位置，采用Python的RBF插值算法对NAN位置形成的NAN区域进行插值；
>[0007](3)从经过两次插值后的数据中筛选出NAN位置，将NAN位置的数据置为NAN；根据第二次插值后获得的数据构建修正矩阵，根据修正矩阵对原始图像进行阴影修正，修正矩阵中的数据为NAN表示无需对原始图像的相应位置进行阴影矫正。
[0008]优选地，所述步骤(1)具体为：对原始图像按照块进行下采样后取平均值，得到缩略图，然后将缩略图中的每个像素值除以缩略图中像素最大的数值，得到该块的基础数据shading；从基础数据shading中筛选出非NAN位置，建立插值函数z2＝f(axisx2，axisy2)，其中，z2为非NAN的位置的像素数值，axisx2、axisy2分别是该位置的横坐标和纵坐标；采用Python自带的插值算法griddata求出插值函数f，将该块对应的原始图像坐标(axisx，axisy)作为插值函数f的输入，输出的就是该块对应的原始图像所有位置的插值数据z3。
[0009]优选地，所述步骤(2)具体为：从插值数据z3中筛选出第一次插值后的NAN位置，该位置的坐标为(axisx_nan，axisy_nan)；建立新的插值函数z2＝f1(axisx2，axisy2)，采用Python自带的插值算法RBF求出新的插值函数f1；将坐标(axisx_nan，axisy_nan)输入f1，从而求出第一次插值之后原始图像的NAN位置的数据z_nan，然后根据坐标(axisx_nan，axisy_nan)将z_nan赋值给对应坐标的z3，得到shading_profile。
[0010]优选地，所述步骤(3)中的筛选出NAN位置具体为：根据基础数据shading中的NAN
位置，推测shading_profile的中的NAN位置，也就是，坐标(shading_profile_axisx，shading_profile_axisy)为NAN位置，其中，shading_profile_axisx＝x*bin_size+start_x+interval，shading_profile_axisy＝y*bin_size+start_y+interval，x、y分别是NAN位置对应的原始图像的横坐标和纵坐标，start_x、start_y分别是原始图像横向下采样的起始横坐标、起始纵坐标，interval表示[
‑
bin_size，bin_size]的数组，所述块为正方形，bin_size为所述块的边长。
[0011]优选地，如果坐标(shading_profile_axisx，shading_profile_axisy)不在原始图像的长宽范围之内，则将该坐标剔除。
[0012]优选地，筛选非NAN位置的方式为，设置一个阈值，像素数值大于阈值的位置为非NAN位置。
[0013]本专利技术弥补了python中griddata不支持外插值算法的缺陷，实现的插值结果与matlab的griddedInterpolant的结果非常接近，可以作为使用python需要外插值的实现方案。本专利技术兼顾了速度和内存的考虑，如果全部使用RBF插值算法，虽然支持外插值，但是速度及其慢，需要的内存也非常大。
附图说明
[0014]图1为采用本专利技术插值与matlab插值比较图。
具体实施方式
[0015]本专利技术提供的基于Python插值的图像修正方法，核心在于以下三步：
[0016]1.采用griddata插值算法，处理图1中的空白区域，即，对非NAN区域进行插值，此时能够将大部分的数据实现插值，只剩余边缘需要忽略的数据。采用griddata处理大部分数据优点是快速，占用内存少。
[0017]2.采用RBF插值算法，处理图1中的黑色区域，即，对第一次插值后的NAN区域进行插值，这样RBF处理的数据量少，虽然RFB耗时，占用内存大，但是由于处理的数据量偏少，还是可以快速实现。
[0018]3.找出经过外插值后，应该为NAN的位置，然后将结果中需要忽略的数据置为NAN。根据第二次插值之后获得的数据(包括NAN)构建修正矩阵，该修正矩阵中大部分的数据是实数，只有极少的数据是NAN(在边缘)，修正矩阵中的数据为NAN表示无需对原始图像的相应位置进行阴影矫正。根据插值之后的修正矩阵，对原图进行阴影修正，使得原图的亮度趋于一致。
[0019]本专利技术基于Python的一些算法实现图像插值，可以达到matlab提供的算法的插值效果，具体如下：
[0020]第一步：整幅图像image横坐标用axisx表示，纵坐标用axisy表示，每一个坐标(axisy，axisx)对应的像素的值用z表示。将整幅图像image按照块进行下采样取平均值，得到每一个块的缩略图image1。块通常选取为正方形(bin_size*bin_size)，这样方便计算，也可以是长方形等其他形状。然后将image1除以image1中像素最大的数值，得到插值的基础数据shading，同时记录原始图像下采样过程中的每一个块的起始坐标(axisx1，axisy1)。取出shading中非NAN位置(shading_non_nan_index)的坐标，然后根据这个坐标，
选出shading中非NAN位置的数据z2，以及对应的坐标(axisx2，axisy2)，然后建立插值函数z2＝f(axisx2，axisy2)，此时数据z2、axisx2、axisy2全部为已知数据，并且z2中不包含NAN，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Python插值的图像修正方法，其特征在于，包括：(1)对原始图像进行采样，从图像中筛选出非NAN位置，采用Python的griddata插值算法对非NAN位置形成的非NAN区域进行插值；(2)从经过步骤(1)插值后的数据中筛选出NAN位置，采用Python的RBF插值算法对NAN位置形成的NAN区域进行插值；(3)从经过两次插值后的数据中筛选出NAN位置，将NAN位置的数据置为NAN；根据第二次插值后获得的数据构建修正矩阵，根据修正矩阵对原始图像进行阴影修正，修正矩阵中的数据为NAN表示无需对原始图像的相应位置进行阴影矫正。2.如权利要求1所述的基于Python插值的图像修正方法，其特征在于，所述步骤(1)具体为：对原始图像按照块进行下采样后取平均值，得到缩略图，然后将缩略图中的每个像素值除以缩略图中像素最大的数值，得到该块的基础数据shading；从基础数据shading中筛选出非NAN位置，建立插值函数z2＝f(axisx2，axisy2)，其中，z2为非NAN的位置的像素数值，axisx2、axisy2分别是该位置的横坐标和纵坐标；采用Python自带的插值算法griddata求出插值函数f，将该块对应的原始图像坐标(axisx，axisy)作为插值函数f的输入，输出的就是该块对应的原始图像所有位置的插值数据z3。3.如权利要求2所述的基于Python插值的图像修正方法，其特征在于，所述步骤(2)具体为：从插值数据z3中筛选出第一次插值后的NAN位置，该位置的坐标为(axisx_nan，axisy_nan)；建立新的插值函数z2＝f1(axisx2，axisy2)，采用Python自带的插值算法RBF求出新的插值函数f1；...

【专利技术属性】
技术研发人员：王云龙，邹捷，
申请(专利权)人：南通嘉骏信息科技有限公司，
类型：发明
国别省市：