sobel_edge_detection.py

python
# 边缘检测使用Sobel算子
def sobel_edge_detection(image):
    edge_sobel = cv2.Sobel(image, cv2.CV_64F, 1, 1, ksize=3)
    return edge_sobel


# 对比度增强可以使用直方图均衡化
def contrast_enhancement(image):
    img_y_cr_cb = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb)
    y, cr, cb = cv2.split(img_y_cr_cb)
    # 对亮度通道Y应用直方图均衡化
    y_eq = cv2.equalizeHist(y)
    img_y_cr_cb_eq = cv2.merge((y_eq, cr, cb))
    img_contrast_enhanced = cv2.cvtColor(img_y_cr_cb_eq, cv2.COLOR_YCrCb2BGR)
    return img_contrast_enhanced


# 图像锐化可以通过构建一个高通滤波器
def sharpen_image(image):
    kernel = np.array([[-1, -1, -1], [-1, 9, -1], [-1, -1, -1]])
    image_sharpened = cv2.filter2D(image, -1, kernel)
    return image_sharpened


# 图像去噪可以使用多种方法，这里示例使用UMS噪声消除
# 由于UMS噪声消除不是一个标准的OpenCV函数，这里用高斯模糊代替
def ums_noise_reduction(image):
    return cv2.GaussianBlur(image, (3, 3), 0)


class ImagePreprocessing(nn.Module):
    def __init__(self):
        super(ImagePreprocessing, self).__init__()

    def forward(self, image_path):
        # 读取图像
        image = cv2.imread(image_path)
        # 应用边缘检测
        edge_detected_image = sobel_edge_detection(image)
        # 应用对比度增强
        contrast_enhanced_image = contrast_enhancement(image)
        # 应用图像锐化
        sharpened_image = sharpen_image(image)
        # 应用图像去噪
        noise_reduced_image = ums_noise_reduction(image)

        # 根据原始流程图，以上步骤可能需要组合或顺序执行
        # 这里假设最终预处理图像是各步骤结果的组合
        preprocessed_image = np.maximum.reduce([
            edge_detected_image,
            contrast_enhanced_image,
            sharpened_image,
            noise_reduced_image
        ])

        return preprocessed_image