单通道灰度图像的保存和超分辨率重建

最新推荐文章于 2024-05-22 10:54:32 发布

MhgCobol

最新推荐文章于 2024-05-22 10:54:32 发布

阅读量339

点赞数

CC 4.0 BY-SA版权

文章标签：超分辨率重建 opencv 计算机视觉

本文链接：https://blog.youkuaiyun.com/MhgCobol/article/details/133207674

超分辨率重建专栏收录该内容

31 篇文章 ¥59.90 ¥99.00

订阅专栏

本文探讨了如何使用Python和OpenCV保存单通道灰度图像，并介绍了超分辨率重建技术，包括示例代码，以提升图像分辨率。通过应用超分辨率模型如EDSR，可以增强图像细节和质量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在图像处理中，灰度图像是一种只包含灰度值的图像，不包含颜色信息。在本文中，我们将讨论如何保存单通道灰度图像，并介绍如何使用超分辨率重建技术提高其分辨率。

单通道灰度图像的保存

保存单通道灰度图像是一个常见的任务，在许多图像处理应用中都需要进行。下面是使用Python编程语言和OpenCV库保存单通道灰度图像的示例代码：

import cv2

# 读取灰度图像
gray_image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)

# 保存灰度图像
cv2.imwrite(

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

MhgCobol

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

Python深度学习实践：图像超分辨率重建

AI大模型应用之禅

08-30

755

Python深度学习实践：图像超分辨率重建作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来随着数码相机、手机等设备的

【图像超分】论文精读：Designing a Practical Degradation Model for Deep Blind Image Super-Resolution（BSRGAN）

04-29

8109

众所周知，如果假设的退化模型与真实图像中的退化模型偏离，单图像超分辨率 (SISR) 方法表现不佳。尽管考虑了几个退化模型，例如模糊，但它们仍然不够有效，无法覆盖真实图像的不同退化。为了解决这个问题，本文提出设计一个更复杂但实用的退化模型，该模型由随机打乱的模糊、下采样和噪声退化组成。具体地说，模糊由两个各向同性和各向异性高斯核的卷积近似；下采样是从最近的、双线性和双三次插值中随机选择的；噪声是通过添加具有不同噪声水平的高斯噪声来合成的，采用具有不同质量因子的JPEG压缩，并通过反向前向相机图像信号处理(I

1 条评论您还未登录，请先登录后发表或查看评论

灰度图超分辨率重建

赤沙咀菜虚坤的博客

07-13

2万+

超分辨率重建的开山之作

opencv保存单通道图片

jhsignal的博客

03-26

8838

由于opencv读取完图片在保存图片时候，图片的通道需要时三通道，否则在保存的时候会报错。如下代码可以完成单通道图片的保存。注：opencv读取图片的通道数默认为b,g,r。故在使用cv2.cvtColor函数转成rgb的时候，仍然需要对图片进行通道转换，故需要使用img= img[:, :, ::-1]才能使用cv2.imwrite()函数保存图片。 import cv2 img = cv2.imread('1.png') if len(img.shape) == 2 or img.sha..

OpenCV保存/读取单通道（二值）图片

热门推荐

ShakalakaPHD的博客

11-29

2万+

OpenCV保存/读取单通道（二值）图片保存读取保存将经过二值化后得到的二值图片保存为变量bw 再使用此命令就行保存： cv.imwrite('5.png', bw) 其中'5.png'表示图片保存在当前python文件所在的路径下，文件名为5.png值得注意的是，二值图片文件最好保存为png格式 bw便是被保存的图片读取 bw_sl2 = cv.imread(r"5.png",-1) 没错，读取就是这么简单，在正常的cv.imread后加上-1即可，表示按照图片原有格式进行读取如果没有加上

使用python+opencv将同一文件夹下的单通道图像和三通道图像分类存放

limengshi138392的博客

03-14

422

【代码】使用python+opencv将同一文件夹下的单通道图像和三通道图像分类存放。

Opencv或者Image实现单通道（灰度图）转换为RGB三通道图像展示并保存（原理+代码）

m0_74055982的博客

05-13

4847

该转换过程实际上就是将单通道图像复制3次，分别作为RGB三个通道，从而创建一个看似彩色但实际上每个颜色通道都相同的图像。

均衡_灰度直方图均衡化_直方图均衡化_图像去模糊_去模糊_

10-01

图像去模糊通常包括两种方法：反卷积和超分辨率重建。反卷积是通过估计图像的模糊核（也称为点扩散函数，PSF）并对其进行逆运算来恢复清晰图像。而在MATLAB中，可以使用`deconvblind`或`deconvwnr`函数进行盲去模糊...

【图像超分】论文精读：Learning Deep CNN Denoiser Prior for Image Restoration（IRCNN）

05-22

342

基于模型的优化方法和判别学习方法是解决低级视觉中各种逆问题的两个主要策略。通常，这两种方法各有优缺点，例如基于模型的优化方法可以灵活地处理不同的逆问题，但通常需要复杂的先验才能获得良好的性能;同时，判别学习方法测试速度快，但其应用范围受到专业任务的限制很大。最近的研究表明，在可变分裂技术的帮助下，去噪先验可以作为基于模型的优化方法的模块化部分插入，以解决其他逆问题(如去模糊)。当通过判别学习获得降噪器时，这种集成会产生相当大的优势。然而，仍然缺乏与快速判别降噪器先验的集成研究。为此，本文旨在训练一组快速有效

利用OpenCV的函数imwrite()保存图像到硬盘

昊虹AI笔记

11-07

7511

利用OpenCV的函数imwrite()保存图像到硬盘

opencv彩色图转换为灰度图并保存

04-24

opencv将彩色图转换为灰度图并保存 src转换为dst保存

OpenCV图像的读取、保存、显示

m0_73625420的博客

12-15

1247

OpenCV中图像读取、保存、显示的基础操作

OpenCV读入图片，通道拆分，调整窗口尺寸，及保存文件

MayYou_SSS的博客

09-07

631

先使用imread()，后namedWindow()，后imshow()，再imwrite()# 语法： cv2.namedWindow(window_name, flag)# WINDOW_AUTOSIZE(Default) –自动设置窗口大小。b = test_img[:, :, 0] # 分离，引用B通道。g = test_img[:, :, 1] # 分离，引用G通道。r = test_img[:, :, 2] # 分离，引用R通道。# flag：表示窗口大小是自动设置还是可调整。

OpenCV-Python学习（2）—— OpenCV 图像的读取、显示和保存(cv.imread、cv.imshow、cv.imwrite)

止于至善

09-29

3605

cv.destroyAllWindows()只会破坏我们创建的所有窗口。如果要销毁任何特定的窗口，请使用函。数 cv.destroyWindow()在其中传递确切的窗口名称作为参数。

单图像超分辨率重建示例代码解析

鱼鱼鱼小昶的博客

02-07

8038

昨天发了单图像超分辨率重建示例，今天来对里面主要的Python代码进行讲解，如果有补充或指正，欢迎大家在评论区留言。PS：这里的代码不要直接复制粘贴使用，由于注释的关系可能会报错，建议到示例给出的git中直接下载。目录一、run.py 二、data.py 三、image.py 四、 experiment.py 五、layers.py 六、metrics.py 七、models...

灰度图保存通道问题

qq_24872841的博客

08-14

2094

首先加载一张图片，同时检查图像数组的形状： import numpy as np import cv2 image = cv2.imread("./img/test.jpg") print(image.shape) 输出： (512, 512, 3) 我们得到的是512x512大小的三通道彩色图像，然后将其转化为灰度图像同时检查其形状。 gray_image = cv2.cvtColor(i...

QT+opencv【opencv学习篇】OpenCV 读取、显示和保存图像

吻等离子的博客

12-23

5876

OpenCV 允许我们对图像执行多种操作，但要做到这一点，需要读取一个图像文件作为输入，然后我们可以对其执行各种操作。OpenCV 提供了以下用于读取和写入图像的函数。

opencv创建图像，图像像素值处理、生成单通道图像和生成tif图像方法的整理

qq_44442727的博客

10-02

3512

对于 JPEG图片，该参数（cv2.IMWRITE_JPEG_QUALITY）表示图像的质量，用 0-100的整数表示，默认值为 95。对于 PNG图片，该参数（cv2.IMWRITE_PNG_COMPRESSION）表示的是压缩级别，从 0到 9，压缩级别越高，图像尺寸越小，默认级别为 3。注意，该类型为 Long，必须转换成 int。filename表示需要载入的图片路径名，其支持 Windows位图、JPEG文件、PNG图片、便携文件格式、Sun rasters光栅文件、TIFF文件、HDR文件等。

pytorch保存单通道灰度图片

flysnownet的博客

06-25

1921

image = torch . randn(1 , 256 , 256) # 示例，随机生成一个单通道图像 # 将图像张量保存为文件 save_image(image , "single_channel_image.png" , normalize = True)pytorch中通常如上使用torchvision.utils.save_image来保存图片，但是在保存单通道灰度图片时，该函数保存后的图片会是3通道的，虽然每个通道上的数据一样，视觉上也是灰度图片，但后续输入单通道的网络会报错。

单尺度ssr算法

最新发布

03-26

### 单尺度SSR算法实现原理单尺度SSR（Single Scale Retinex, Single-Scale Super Resolution）算法主要用于图像增强和超分辨率重建。其核心思想是通过对输入图像的不同光照条件建模，从而提升图像的质量。 #### 原理概述 Retinex理论认为，人类视觉感知到的颜色是由物体表面反射光的特性决定的，而不是由光源本身的强度决定。因此，在图像处理中可以通过分离光照分量和反射分量来改善图像质量。具体来说，单尺度SSR算法通过计算局部区域内的平均亮度并将其与原始像素值相比较，得到一个新的调整后的像素值[^1]。 #### 数学表达式假设 \( I(x,y) \) 表示输入图像中的某个像素位置 (x,y)，\( L(x,y) \) 是对应的局部光照估计，则 SSR 的目标是对每个像素应用如下变换： \[ S(x,y) = log(I(x,y)) - k \cdot log(L(x,y)) \] 其中： - \( S(x,y) \): 输出图像的像素值； - \( k \): 控制参数，通常取较小正值以平衡光照影响； - \( log() \): 对数运算，用于压缩动态范围。最终结果经过指数映射返回正常灰度级表示形式。 --- ### 各种编程语言下的代码示例以下是几种常见编程语言下实现单尺度SSR算法的具体例子。 #### JavaScript 实现以下是从引用材料改编而来的简化版JS代码片段: ```javascript function ssr(imageData, scale) { const width = imageData.width; const height = imageData.height; let outputImageData = new Uint8ClampedArray(width * height * 4); for(let y=0; y<height; ++y){ for(let x=0; x<width; ++x){ var index = (y*width+x)*4; // 计算当前像素周围的均值作为L(x,y) let sumRed = 0, count = 0; for(var dy=-scale;dy<=scale;++dy){ for(var dx=-scale;dx<=scale;++dx){ if((y+dy)>=0 && (y+dy)<height && (x+dx)>=0 && (x+dx)<width ){ sumRed += imageData.data[(index + ((dy*width)+dx))*4]; count++; } } } let avgLightness = sumRed / count; // 应用SSR公式转换颜色通道 outputImageData[index] = Math.log(imageData.data[index]) - 0.5*Math.log(avgLightness); outputImageData[index+1] = outputImageData[index]; // G channel same as R outputImageData[index+2] = outputImageData[index]; // B channel same as R outputImageData[index+3] = 255; // Alpha remains unchanged. } } return outputImageData; } ``` 此函数接受Canvas Image Data对象以及缩放比例因子`scale`, 并返回新的Image Data数组. --- #### Go语言实现基于Go语言的特点设计了一个基本框架版本: ```go package main import ( "fmt" "image" "math" ) func singleScaleSR(img image.Image, scaleFactor float64) image.Gray { bounds := img.Bounds() width, height := bounds.Dx(), bounds.Dy() newImg := image.NewGray(bounds) for y := 0; y < height; y++ { for x := 0; x < width; x++ { r, g, b, _ := img.At(x, y).RGBA() // Convert to grayscale value and normalize it into range [0..1]. intensity := float64(r>>8) / 255.0 var neighborhoodSum float64 = 0 count := 0 for dy := int(-scaleFactor); dy <= int(scaleFactor); dy++ { for dx := int(-scaleFactor); dx <= int(scaleFactor); dx++ { nx, ny := x+dx, y+dy if nx >= 0 && nx < width && ny >= 0 && ny < height { nbrIntensity := float64(img.At(nx, ny).RGBA()[0] >> 8) / 255.0 neighborhoodSum += math.Log(nbrIntensity + 1e-9) count++ } } } localLogMean := neighborhoodSum / float64(count) resultValue := intensity - localLogMean*0.5 clippedResult := uint8(math.Max(0, math.Min(resultValue*255, 255))) newImg.SetGray(x, y, color.Gray{clippedResult}) } } return *newImg } func main(){ fmt.Println("Running...") } ``` 上述程序定义了如何利用邻域统计信息执行log-domain操作完成SSR效果生成过程[^2]. --- #### Python 实现 Python由于拥有强大的科学计算库支持(Numpy,PIL), 可以非常简洁优雅地写出完整的解决方案: ```python from PIL import Image import numpy as np def apply_ssr(input_image_path, output_image_path, sigma=5): im = Image.open(input_image_path).convert('RGB') pixels = np.array(im, dtype=np.float32)/255 blurred = gaussian_filter(pixels.mean(axis=2), sigma=sigma)[..., None]*np.ones_like(pixels) retinex = np.log10(pixels.clip(min=1e-7)) - .5*np.log10(blurred.clip(min=1e-7)) enhanced_img = Image.fromarray(np.uint8(retinex/retinex.max()*255)) enhanced_img.save(output_image_path) if __name__ == "__main__": input_file = 'input.jpg' result_file = 'output.png' apply_ssr(input_file, result_file) ``` 这里我们借助scipy.ndimage包里的gaussian_filter快速构建高斯模糊核模拟周围环境贡献项[L(x,y)]部分][^[^34]. --- ### 总结不同平台上的SSR算法实现各有侧重，但都遵循相同的数学逻辑即对数差分模型。选择合适的工具取决于项目需求和个人偏好。