如何找到结构元素的高斯加权平均值和标准差

Question

我正在尝试实现由以下公式描述的强度归一化算法：

x' = (x - gaussian_weighted_average) / std_deviation

我正在阅读的论文描述了我必须使用 7x7 内核找到每个像素“x”邻居对应的高斯加权平均值和标准偏差。

PS：x'是新的像素值。

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

OpenCV 有没有提供解决这个问题的方法？

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

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

这已被另一位 Python 学生重新实现。 python的实现是：

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

要使用强度归一化，您可以这样做：

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

要可视化生成的图像，请不要忘记将 out 转换回 np.uint8 (why?)。如果你想重现他的结果，我建议你使用 C++ 中的原始实现。

免责声明：我来自此paper 的作者的同一lab。