图像处理-笔记

Lab颜色空间

命名
- Lab色彩空间在1931年国际照明委员会（CIE）制定的颜色度量国际标准的基础上建立起来的。
- 1976年，经修改后被正式命名为CIELab。
- 注意，还有一个颜色模型叫做Hunter1948 L,a,b，是由HunterLab公司制作的。虽然和CIE的Lab模型有些关联，但实现不一样。
- 一般情况说Lab颜色模型，都是指CIE-Lab模型。
取值范围
- Lab颜色空间中的L分量用于表示像素的亮度，取值范围是[0,100],表示从纯黑到纯白；
- a表示从红色到绿色的范围，取值范围是[127,-128]；
- b表示从黄色到蓝色的范围，取值范围是[127,-128]。
敏感度
- 人眼对于亮度L敏感，对于色度ab不敏感。

JPEG编码与Zig-Zag扫描

动机：由于人眼对低频敏感，高频不敏感，所以JPEG压缩，就是适当以损失高频分量为代价，从而减小图像大小。
这里，频域分量采取的是DCT变换。规律如下。
- 在DCT之前，先分块，一般是8*8的。
- 对于一幅图像DCT系数，从左上角到右下角，绝对值由大👉小，低频👉高频。
两类JPEG编码信息：DC（直流系数）、AC(交流系数)
- DC（直流系数）:每个8*8子块中的[0,0]元素，代表子块的平均值。JPEG中对F[0,0]单独编码，由于两个相邻的8×8子块的DC系数相差很小，采用差分编码DPCM，可以提高压缩比，也就是说对相邻的子块DC系数的差值进行编码。
- AC(交流系数)：8×8块的其它63个系数。为了保证低频分量先出现，高频分量后出现，63个元素采用了Zig-Zag扫描，并采用游程编码。如下图所示。

代码示例:Zig-Zag

两个函数

 def zigzag(dct_coef, one_dim_dct, action):
     n = dct_coef.shape[0]
     k = 0

     for i in range(1,n+1):
         for j in range(1,i+1):
             if i % 2 == 0:
                 if action=='init':
                     one_dim_dct[k] = dct_coef[j -1][i+1-j -1]
                 if action=='modify':
                     dct_coef[j -1][i+1-j -1] = one_dim_dct[k]
             else:
                 if action=='init':
                     one_dim_dct[k] = dct_coef[i+1-j -1][j -1]
                 if action=='modify':
                     dct_coef[i+1-j -1][j -1] = one_dim_dct[k]
             k = k + 1

     for i in range(1, n):
         for j in range(1, n - i+1):
             if i % 2 == 0:
                 if action=='init':
                     one_dim_dct[k] = dct_coef[n-j+1 -1][i + j -1]
                 if action=='modify':
                     dct_coef[n-j+1 -1][i + j -1] = one_dim_dct[k]
             else:
                 if action=='init':
                     one_dim_dct[k] = dct_coef[i + j -1][n-j+1 -1]
                 if action=='modify':
                     dct_coef[i + j -1][n-j+1 -1] = one_dim_dct[k]
             k = k + 1
     return dct_coef, one_dim_dct
 def blk_triangle_replace_HighDCT(gray_img, x_64_8_sample):
     height, width, size_y,  size_x, channels = 8,8, 8,8,1
     recon_img_complete = np.zeros((height * size_y, width * size_x))
     for i in range(gray_img.shape[0]//8):
         for j in range(gray_img.shape[0] // 8):
             blk_img = gray_img[i*8: (i+1)*8, j*8: (j+1)*8]
             blk_dct = cv2.dct(blk_img)
             init_one_dim_dct = np.random.randint(0, 1, size=(8*8)).astype(np.float32)
             _, one_dim_dct = zigzag(blk_dct, init_one_dim_dct, 'init')
             # 修改了右下角（三角形,面积占1/8）之后的DCT矩阵
             one_dim_dct[np.prod(blk_dct.shape) // 8 * 7:] = x_64_8_sample[8*i+j]
             blk_dct, _ = zigzag(blk_dct, one_dim_dct, 'modify')

             recon_img = cv2.idct(blk_dct)
             recon_img_complete[i * height:(i + 1) * height, j*height:(j + 1) * height] = recon_img

     return recon_img_complete.astype(np.uint8)

使用

 def plot_images(args, x_sample, dir, file_name, size_x=10, size_y=10):
     folder = '../{}/train_64x64/images0/'.format(args.img_folder)
     val_namelist = os.listdir(folder)
     val_namelist = val_namelist[len(val_namelist) //5*4: ]
     random.shuffle(val_namelist)

     print(x_sample.shape)
     batch, channels, height, width = x_sample.shape[0], x_sample.shape[1], x_sample.shape[2], 8*x_sample.shape[3]
     mosaic = np.zeros((height * size_y, width * size_x, channels))
     # 用生成的高频DCT(下三角)替换原图（从val中随机选择）的DCT，再iDCT
     for j in range(size_y):
         for i in range(size_x):
             idx = j * size_x + i
             gray_img = cv2.imread(folder+val_namelist[idx]).transpose(2, 0, 1).astype(np.float32)[0]

             image = blk_triangle_replace_HighDCT(gray_img, x_sample[idx].squeeze())
             mosaic[j*height:(j+1)*height, i*height:(i+1)*height] = torch.tensor(image).unsqueeze(dim=2).numpy()

     # Remove channel for BW images
     mosaic = mosaic.squeeze()
     cv2.imwrite(dir + file_name + '.png', mosaic)

Lab-color-space、JPEG和zigzag

Lab颜色空间

JPEG编码与Zig-Zag扫描

代码示例:Zig-Zag

CATALOG

FEATURED TAGS

FRIENDS