如何找到结构元素的高斯加权平均值和标准差

Question

我正在尝试实施此公式描述的强度标准化算法：

x'=（x - gaussian_weighted_average）/ std_deviation

我正在阅读的论文描述了我必须使用7x7内核找到高斯加权平均值和与每个像素“x”邻居相对应的标准差。

PS：x'是新的像素值。

所以，我的问题是：如何使用7x7内核计算高斯加权平均值和图像中每个像素的标准差？

OpenCV是否提供了解决此问题的方法？

import cv2
img = cv2.imread("b.png", 0)
widht = img.shape[0]
height = img.shape[1]
for i in range (widht):
    for j in range (height):
        new_image = np.zeros((height,width,1), np.uint8)
        new_image[i][j] = img[i][j] - ...

Answer 1

可以找到作者的原始实现（C ++）here：请参阅GenerateIntensityNormalizedDatabase()。

这已由另一位python学生重新实现。 python实现是：

import cv2
import numpy as np

def StdDev(img, meanPoint, point, kSize):
    kSizeX, kSizeY = kSize / 2, kSize / 2

    ystart = point[1] - kSizeY if 0 < point[1] - kSizeY < img.shape[0] else 0
    yend = point[1] + kSizeY + 1 if 0 < point[1] + kSizeY + 1 < img.shape[0] else img.shape[0] - 1

    xstart = point[0] - kSizeX if 0 < point[0] - kSizeX < img.shape[1] else 0
    xend = point[0] + kSizeX + 1 if 0 < point[0] + kSizeX + 1 < img.shape[1] else img.shape[1] - 1

    patch = (img[ystart:yend, xstart:xend] - meanPoint) ** 2
    total = np.sum(patch)
    n = patch.size

    return 1 if total == 0 or n == 0 else np.sqrt(total / float(n))


def IntensityNormalization(img, kSize):
    blur = cv2.GaussianBlur(img, (kSize, kSize), 0, 0).astype(np.float64)
    newImg = np.ones(img.shape, dtype=np.float64) * 127

    for x in range(img.shape[1]):
        for y in range(img.shape[0]):
            original = img[y, x]
            gauss = blur[y, x]
            desvio = StdDev(img, gauss, [x, y], kSize)

            novoPixel = 127
            if desvio > 0:
                novoPixel = (original - gauss) / float(desvio)

            newVal = np.clip((novoPixel * 127 / float(2.0)) + 127, 0, 255)
            newImg[y, x] = newVal
    return newImg

要使用强度标准化，您可以这样做：

kSize = 7
img = cv2.imread('{IMG_FILENAME}', cv2.IMREAD_GRAYSCALE).astype(np.float64)
out = IntensityNormalization(img, kSize)

要显示生成的图片，请不要忘记将out转换回np.uint8（why?）。如果你想重现他的结果，我建议你在C ++中使用原始实现。

免责声明：我来自lab作者的同一paper。