使用 Python+PIL 对图像进行强度归一化 - 速度问题

Question

我在业余时间处理一个小问题，包括分析通过显微镜获得的一些图像。它是一个到处都有一些东西的晶圆，最终我想制作一个程序来检测某些材料何时出现。

无论如何，第一步是标准化整个图像的强度，因为镜头不会产生均匀的闪电。目前我使用一张没有任何东西的图像，只有基板作为背景或参考图像。我找到了 RGB 的三个（强度）值中的最大值。

from PIL import Image
from PIL import ImageDraw

rmax = 0;gmax = 0;bmax = 0;rmin = 300;gmin = 300;bmin = 300

im_old = Image.open("test_image.png")
im_back = Image.open("background.png")

maxx = im_old.size[0] #Import the size of the image
maxy = im_old.size[1]
im_new = Image.new("RGB", (maxx,maxy))


pixback = im_back.load()
for x in range(maxx):
    for y in range(maxy):
        if pixback[x,y][0] > rmax:
            rmax = pixback[x,y][0]
        if pixback[x,y][1] > gmax:
            gmax = pixback[x,y][1]
        if pixback[x,y][2] > bmax:
            bmax = pixback[x,y][2]


pixnew = im_new.load()
pixold = im_old.load()
for x in range(maxx):
    for y in range(maxy):
        r = float(pixold[x,y][0]) / ( float(pixback[x,y][0])*rmax )
        g = float(pixold[x,y][1]) / ( float(pixback[x,y][1])*gmax )
        b = float(pixold[x,y][2]) / ( float(pixback[x,y][2])*bmax )
        pixnew[x,y] = (r,g,b)

代码的第一部分逐像素确定背景图像的红色、绿色和蓝色通道的最大强度，但只需执行一次。

第二部分采用“真实”图像（上面有东西），并根据背景逐像素标准化红色、绿色和蓝色通道。这需要一些时间，一张 1280x960 的图像需要 5-10 秒，如果我需要对多张图像执行此操作，这太慢了。

我能做些什么来提高速度？我想过将所有图像移动到 numpy 数组中，但我似乎无法为 RGB 图像找到快速的方法。 我宁愿不要离开 python，因为我的 C++ 是相当低级的，并且获得一个工作的 FORTRAN 代码可能需要比我在速度方面节省的时间更长：P

Answer 1

import numpy as np
from PIL import Image

def normalize(arr):
    """
    Linear normalization
    http://en.wikipedia.org/wiki/Normalization_%28image_processing%29
    """
    arr = arr.astype('float')
    # Do not touch the alpha channel
    for i in range(3):
        minval = arr[...,i].min()
        maxval = arr[...,i].max()
        if minval != maxval:
            arr[...,i] -= minval
            arr[...,i] *= (255.0/(maxval-minval))
    return arr

def demo_normalize():
    img = Image.open(FILENAME).convert('RGBA')
    arr = np.array(img)
    new_img = Image.fromarray(normalize(arr).astype('uint8'),'RGBA')
    new_img.save('/tmp/normalized.png')

Answer 2

见http://docs.scipy.org/doc/scipy/reference/generated/scipy.misc.fromimage.html#scipy.misc.fromimage

你可以说

databack = scipy.misc.fromimage(pixback)
rmax = numpy.max(databack[:,:,0])
gmax = numpy.max(databack[:,:,1])
bmax = numpy.max(databack[:,:,2])

这应该比遍历图像的所有 (r,g,b) 三元组要快得多。 然后就可以了

dataold = scip.misc.fromimage(pixold)
r = dataold[:,:,0] / (pixback[:,:,0] * rmax )
g = dataold[:,:,1] / (pixback[:,:,1] * gmax )
b = dataold[:,:,2] / (pixback[:,:,2] * bmax )

datanew = numpy.array((r,g,b))
imnew = scipy.misc.toimage(datanew)

该代码未经测试，但只要稍作修改即可工作。