当前位置：首页 > article >正文

图像处理：模拟色差的生成

article 2025/2/23 12:21:38

图像处理：模拟色差的实战案例

在做瓷砖瑕疵检测的过程中，需要检测色差。但在实际生产环境中，瓷砖色差检测的数据量较少，无法直接获取足够的数据来训练和优化深度学习模型。于是就考虑通过人为生成色差数据的方式来扩充数据集，进行色差的模拟。

1. 什么是色差？

色差（Color Difference）是指两种颜色之间的视觉差异。在色彩科学中，CIEDE2000 是目前最先进的色差计算方法之一。然而，CIEDE1976 也常用于基础的色差分析。本项目主要使用 CIEDE1976 来计算颜色的变化程度。

2. 代码实现

编写一个 Python 脚本，该脚本能够读取一组图像，并生成不同色差版本的图像，同时计算其色差值。

2.1 依赖库

在开始之前，请确保你已经安装了必要的库：

pip install opencv-python numpy colormath

2.2 计算色差

我们使用 colormath 库来计算 CIEDE1976 色差：

from colormath.color_objects import LabColor
from colormath.color_diff import delta_e_cie1976

def calculate_delta_e(lab1, lab2):
    """
    计算 CIEDE1976 色差
    :param lab1: (L, a, b) of first color
    :param lab2: (L, a, b) of second color
    :return: ΔE 色差值
    """
    color1 = LabColor(lab1[0], lab1[1], lab1[2])
    color2 = LabColor(lab2[0], lab2[1], lab2[2])
    
    return delta_e_cie1976(color1, color2)

2.3 模拟色差

使用 OpenCV 将图像转换到 Lab 颜色空间，并对 L、a、b 通道进行调整：
注意：在处理ab通道时，如果按照255进行设置偏置，可能存在溢出，导致图片显示黑点，所以要进行归一化 a, b 到 [-128, 127]

import cv2
import numpy as np

def apply_lab_shift(image, l_shift, a_shift, b_shift):
    """
    在 Lab 颜色空间执行色差模拟
    """
    lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2LAB).astype(np.float32)
    L, a, b = cv2.split(lab_image)
    
    # 归一化 a, b 到 [-128, 127]
    a -= 128
    b -= 128
    
    L = np.clip(L + l_shift, 0, 255)
    a = np.clip(a + a_shift, -128, 127)
    b = np.clip(b + b_shift, -128, 127)
    
    # 还原到 OpenCV 存储格式 [0,255]
    a += 128
    b += 128
    
    shifted_lab = cv2.merge([L, a, b]).astype(np.uint8)
    return cv2.cvtColor(shifted_lab, cv2.COLOR_LAB2BGR)

2.4 处理图片并保存结果

import os

def process_images(input_folder, output_folder, log_file):
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)
        
    with open(log_file, 'w') as log:
        for root, _, files in os.walk(input_folder):
            for file_name in files:
                if file_name.lower().endswith(('.jpg', '.png', '.jpeg')):
                    image_path = os.path.join(root, file_name)
                    image = cv2.imread(image_path)

                    if image is None:
                        print(f"无法读取 {file_name}，跳过...")
                        continue
                    
                    base_name, ext = os.path.splitext(file_name)
                    save_path = os.path.join(output_folder, base_name)
                    os.makedirs(save_path, exist_ok=True)
                    
                    # 生成不同色差版本
                    shifts = {"n": (0.5, 0.4, -0.4), "s": (2, 1.2, -1.2), "l": (3, 2.5, -3.5)}
                    for key, (l, a, b) in shifts.items():
                        shifted = apply_lab_shift(image, l, a, b)
                        cv2.imwrite(os.path.join(save_path, f"{base_name}_{key}{ext}"), shifted)
                        
                        # 计算 ΔE
                        lab_orig = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
                        lab_shifted = cv2.cvtColor(shifted, cv2.COLOR_BGR2LAB)
                        delta_e = calculate_delta_e(lab_orig.mean(axis=(0, 1)), lab_shifted.mean(axis=(0, 1)))
                        log.write(f"{file_name} - {key}色差 ΔE: {delta_e:.2f}\n")
                    
        print(f"处理完成，结果保存在 {output_folder}")

2.5 运行代码

if __name__ == "__main__":
    current_folder = os.path.dirname(os.path.abspath(__file__))
    input_folder = os.path.join(current_folder, "input_images")
    output_folder = os.path.join(current_folder, "color_diff_images")
    log_file = os.path.join(output_folder, "process_log.txt")
    process_images(input_folder, output_folder, log_file)