在日常生活中，我們經常會掃描紙張把它們轉換成圖像，但這些圖像往往存在陰影，我們有各種各樣的工具可以在線增強這些圖像，使它們的亮度更亮，並消除這些圖像中的陰影。那有沒有方法可以手動去除陰影呢？比如我們可以將任何圖像作爲灰度圖像加載到我們的代碼中，並在幾秒鐘內獲得輸出，而無需任何應用程序的幫助。
這是可以通過使用基本的Numpy操作和一些openCV函數來實現。我們使用了下面的圖片作爲例子，它是用手機拍的。
很明顯，它有一個陰影需要刪除。
將必要的軟件包導入你的環境。爲了易於顯示圖像，我們使用Jupyter Notebook。
import cv2
import numpy as np
import matplotlib.pyplot as plt
刪除陰影時，有兩件事要注意。（1）由於圖像是灰度圖像，如果圖像背景較淺且對象較暗，則必須先執行最大值濾波，然後再執行最小值濾波；（2）如果圖像背景較暗且物體較亮，我們可以先執行最小值濾波，然後再進行最大值濾波。
那麼，最大值濾波和最小值濾波到底是什麼呢？
3.最大值濾波：假設我們有一個特定大小的圖像 I ，我們編寫的算法應逐個遍歷 I 的像素，並且對於每個像素（x，y）都必須找到該像素周圍的鄰域（大小爲N x N的窗口）中的最大灰度值，並將該最大灰度值寫入A中相應的像素位置（x，y），所得圖像 A 稱爲輸入圖像 I 的最大值濾波圖像。
讓我們在代碼中實現這個過程。
- max_filtering()函數接受輸入圖像和窗口大小N。
- 它最初在輸入數組周圍創建一個“wall”（帶有-1的填充），當我們遍歷邊緣像素時會使用這個數據。
- 然後，我們創建一個“ temp”變量，將計算出的最大值複製到該變量中。
- 然後，我們遍歷數組，並圍繞當前像素大小N x N創建一個窗口。
- 然後，我們使用“ amax()”函數在該窗口中計算最大值，並將該值寫入temp數組。
- 我們將該臨時數組複製到主數組A中，並將其作爲輸出返回。
- A是輸入I的最大值濾波圖像。
def max_filtering(N, I_temp):
wall = np.full((I_temp.shape[0]+(N//2)*2, I_temp.shape[1]+(N//2)*2), -1)
wall[(N//2):wall.shape[0]-(N//2), (N//2):wall.shape[1]-(N//2)] = I_temp.copy()
temp = np.full((I_temp.shape[0]+(N//2)*2, I_temp.shape[1]+(N//2)*2), -1)
for y in range(0,wall.shape[0]):
for x in range(0,wall.shape[1]):
if wall[y,x]!=-1:
window = wall[y-(N//2):y+(N//2)+1,x-(N//2):x+(N//2)+1]
num = np.amax(window)
temp[y,x] = num
A = temp[(N//2):wall.shape[0]-(N//2), (N//2):wall.shape[1]-(N//2)].copy()
return A
4.最小值濾波：此算法與最大值濾波完全相同，區別在於我們不再去找鄰近的最大灰度值，而是找該像素周圍N x N鄰近的最小值，並將該最小灰度值寫入B中的（x，y），所得的圖像 B 稱爲圖像 I 的經過最小值濾波的圖像。
讓我們對該過程進行編碼。
def min_filtering(N, A):
wall_min = np.full((A.shape[0]+(N//2)*2, A.shape[1]+(N//2)*2), 300)
wall_min[(N//2):wall_min.shape[0]-(N//2), (N//2):wall_min.shape[1]-(N//2)] = A.copy()
temp_min = np.full((A.shape[0]+(N//2)*2, A.shape[1]+(N//2)*2), 300)
for y in range(0,wall_min.shape[0]):
for x in range(0,wall_min.shape[1]):
if wall_min[y,x]!=300:
window_min = wall_min[y-(N//2):y+(N//2)+1,x-(N//2):x+(N//2)+1]
num_min = np.amin(window_min)
temp_min[y,x] = num_min
B = temp_min[(N//2):wall_min.shape[0]-(N//2), (N//2):wall_min.shape[1]-(N//2)].copy()
return B5.因此，如果圖像的背景較淺，我們要先執行最大值濾波，這會爲我們提供增強的背景，並將該最大值濾波後的圖像傳遞給最小值濾波函數，該函數將負責實際的內容增強。
6.執行最小-最大值濾波後，我們獲得的值不在0-255的範圍內，所以我們必須歸一化使用背景減法獲得的最終陣列，該方法是用原始圖像減去最小最大值濾波後的圖像，以獲得去除了陰影的最終圖像。
#B is the filtered image and I is the original image
def background_subtraction(I, B):
O = I - B
norm_img = cv2.normalize(O, None, 0,255, norm_type=cv2.NORM_MINMAX)
return norm_img7.變量N（用於過濾的窗口大小）將根據圖像中粒子或內容的大小進行更改。對於測試圖像，選擇大小N = 20。增強後的最終輸出圖像如下所示：
輸出圖像是原始圖像增強後的結果，所實現的代碼是在openCV中手動實現一些庫函數以增強圖像的拙劣嘗試，帶有圖像的整個notebook可以在下面的Github鏈接中找到。