专门做杂志的网站,网页设计教程课本课后题答案,信用网站建设成效,深圳做网站大公司前言#xff1a;最近在可视化图像残差时#xff0c;发现几种不同的差分方法#xff0c;下面分别给出每种差分方法的实现方式#xff0c;并比较不同方法之间的差异。 目录 1️⃣ cv22️⃣ PIL torchvision3️⃣ PIL numpy 目标#xff1a;对于给定的下述两张图… 前言最近在可视化图像残差时发现几种不同的差分方法下面分别给出每种差分方法的实现方式并比较不同方法之间的差异。 目录 1️⃣ cv22️⃣ PIL torchvision3️⃣ PIL numpy 目标对于给定的下述两张图像计算二者的残差。
cur_clean_img 图像 (图片来源Flickr8k 数据集1258913059_07c613f7ff.jpg) cur_poi_img 图像 cur_poi_img 相较于 cur_clean_img 的不同是在 cur_clean_img 的右下角添加了一个 10*10 大小的 patch。所以理想的差分结果应该是除了添加patch区域差分图像的其余部分都是全黑。 下面给出三种图像差分方法。
1️⃣ cv2
依赖库cv2 安装方式pip install opencv-python
import cv2cur_poi_img cv2.imread(poi_image_path)
cv2.imwrite(poi_save_path, cur_poi_img)cur_clean_img cv2.imread(clean_img_path)
# cur_clean_img cv2.resize(cur_clean_img, (256, 256))
# cur_clean_img np.array(Image.fromarray(cur_clean_img).resize((256, 256)))
cv2.imwrite(clean_save_path, cur_clean_img)residual cv2.absdiff(cur_poi_img,cur_clean_img)
cv2.imwrite(residual_save_path, residual)对应残差结果 2️⃣ PIL torchvision
依赖库torchvision 安装方式pip install torchvision
import torchvision.transforms as T
from torchvision.utils import save_imagetransform T.Compose([# T.Resize([256, 256]),T.ToTensor(),
])image Image.open(clean_img_path).convert(RGB)
clean_img_tensor transform(image)
save_image(clean_img_tensor, clean_save_path)image Image.open(poi_image_path).convert(RGB)
poi_img_tensor transform(image)
save_image(poi_img_tensor, poi_save_path)residual_tensor poi_img_tensor - clean_img_tensor
save_image(residual_tensor, residual_save_path)对应残差结果 3️⃣ PIL numpy
依赖库PIL, numpy 安装方式pip install pillow, pip install numpy
from PIL import Image
import numpy as npcur_poi_img Image.open(poi_image_path)
cur_poi_img np.asarray(cur_poi_img)
cur_clean_img Image.open(clean_img_path)
cur_clean_img np.asarray(cur_clean_img)residual cur_poi_img - cur_clean_img
residual (residual * 255).astype(np.uint8)
residual Image.fromarray(residual)
residual.save(residual_save_path)对应残差结果 后记由上述结果可以看出通过 numpy 方式计算得到的残差图像并不是十分准确这是由于在使用.astype(np.uint8)进行数据转换时产生了信息损失大家在实际操作的时候也要引以为戒选择正确的方式进行图像差分。 PSresize操作对差分结果有很大影响假如我们按照 clean_image-[Resize]-resized-image-[AddNoise]-poi_image的流程进行操作在计算差分结果时使用的图像对最好是resized-image和poi_image而不是clean_image和poi_image。下面给出后者的错误计算结果建议放大观看❌ 我们会发现除patch区域差分图像的其余区域也出现了扰动印记这是resize操作带来的误差从而印证了上述观点。 参考资料
Python与机器视觉x图像差分-图像相减_图像差分python-CSDN博客
