opencv 均匀采样

在OpenCV中，可以使用cv2.resize()函数来实现均匀采样。该函数可以将一张图片缩放到指定的大小，实现缩小或放大的效果。具体实现方法如下：

1.首先加载需要进行均匀采样的图片，使用cv2.imread()函数实现。

2.确定需要采样的尺寸大小，使用cv2.resize()函数实现。

3.在resize()函数中，需要设置第三个参数interpolation，该参数用于指定插值方法。在进行均匀采样时，可以选择INTER_AREA或INTER_NEAREST方法。

4.最后使用cv2.imshow()函数显示结果。

下面是一个示例代码，实现了对一张图片进行均匀采样：

import cv2

# 加载图片
img = cv2.imread('test.jpg')

# 设置采样尺寸
dst_size = (img.shape[1]//2, img.shape[0]//2)

# 进行均匀采样
dst = cv2.resize(img, dst_size, interpolation=cv2.INTER_AREA)

# 显示结果
cv2.imshow('src', img)
cv2.imshow('dst', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，将原图片的宽和高都缩小为原来的一半，实现了均匀采样。如果需要放大图片，可以将dst_size设置为原来的整数倍，然后选择INTER_LINEAR或INTER_CUBIC方法进行插值。

相关问题

光度立体 opencv

### 使用 OpenCV 实现光度立体 (Photometric Stereo) 技术

为了使用 OpenCV 实现光度立体技术，需遵循一系列特定的操作流程来获取物体表面的形状信息。该方法依赖于多张不同光照条件下的图像集合。

#### 准备工作
确保输入图像的质量至关重要。图像应具备线性特征，这可以通过 `radiometric_self_calibration` 算子验证并调整相机特性[^1]。如果发现非线性失真，则应用 `lut_trans` 进行校正。此外，建议尽可能利用高分辨率和大动态范围的数据源以提高重建精度。

#### 数据收集
准备一组至少三幅以上的同一场景但在不同方向上均匀分布照明的照片作为训练样本集。每张照片应该只改变光源的位置而保持其他参数不变。

#### 正规化处理
对所有采集到的图片执行标准化预处理操作，比如去除背景干扰、裁剪感兴趣区域(ROI)，以及可能的话做伽马矫正等措施来增强对比度或改善视觉效果。

#### 构建法向量矩阵 N 和光照矢量 L
通过分析各像素点处反射率的变化情况构建相应的数学模型：

假设已知 n 个不同的光源位置 {L_1, ..., L_n} ，则对于每一个像素 p(x,y), 可建立如下方程组:

\[ I_i(x,y)=\rho(x,y)(N(x,y)\cdot L_i)+b \]

其中 \(I_i\) 表示第 i 幅图象中对应位置上的亮度值; ρ 是材质属性因子（通常设为常数）；\(N=(n_x,n_y,n_z)^T\) 代表待求解的单位法向量； b 则用来表示环境光贡献部分。

由于我们拥有多个视角的信息，所以能够形成超定系统从而允许最小二乘估计解决问题。具体来说就是把上述公式重写成矩阵形式以便后续计算方便：

\[ A=\begin{pmatrix}
l_{1x}& l_{1y} & l_{1z}\\
...& ... & ...\\
l_{nx}& l_{ny} & l_{nz}
\end{pmatrix}, B=\begin{pmatrix}
i_1-b \\
... \\
i_n-b
\end{pmatrix}\Rightarrow AN=B \]

这里需要注意的是，在实际编程过程中往往还需要考虑数值稳定性等因素的影响，因此推荐采用奇异值分解(SVD)的方法来进行优化求解过程。

import numpy as np
import cv2

def photometric_stereo(images, light_directions):
    """
    Perform photometric stereo to estimate surface normals.
    
    Args:
        images: List of grayscale image arrays under different lighting conditions.
        light_directions: Corresponding list of normalized light source direction vectors.

    Returns:
        Normalized normal vector field for each pixel position.
    """

    num_images = len(images)
    height, width = images[0].shape[:2]
    
    # Convert lists into appropriate matrices
    img_matrix = np.stack([img.flatten() for img in images], axis=-1).astype(np.float64)
    lights_matrix = np.array(light_directions)

    # Solve the linear system using SVD decomposition
    u, s, vh = np.linalg.svd(lights_matrix.T @ lights_matrix + 1e-7 * np.eye(num_images))
    inv_term = vh.T @ np.diag(s ** (-1)) @ u.T
    
    normals_flat = ((lights_matrix.T @ inv_term) @ (img_matrix - np.mean(img_matrix, axis=1))).reshape((height, width, 3))

    # Normalize resulting vectors and flip z-component positive
    norms = np.sqrt(np.sum(normals_flat**2,axis=2))[...,None]
    normals_normalized = np.divide(normals_flat, norms, out=np.zeros_like(normals_flat), where=norms!=0)
    normals_final = np.where(normals_normalized[...,2:]<0,-normals_normalized,normals_normalized)

    return normals_final.squeeze()

此函数接收两个主要参数：一个是包含若干帧灰阶影像数据的列表 `images`，另一个是指明相应灯光入射角度坐标的数组 `light_directions` 。最终返回的结果即为目标区域内各个采样点对应的近似法线方向场。

opencv LBP python

### LBP局部二值模式简介

局部二值模式（Local Binary Pattern，简称LBP）是一种用于描述图像纹理特性的方法。通过比较中心像素与其邻域内的其他像素灰度值大小关系来构建一种特殊的编码方式[^1]。

对于给定的图片中的每一个像素点\(P\)及其周围半径为r的一个圆形区域内均匀分布着P个采样点，在这些位置上获取对应像素亮度并将其与圆心处像素亮度相减后取符号位作为该方向上的二进制序列的一位，最终形成一个长度固定且仅由0和1组成的字符串表示这个局部区域的信息[^2]。

### Python + OpenCV实现LBP算法

为了利用Python配合OpenCV库完成LBP操作，可以按照下面的方式编写代码：

#### 导入必要的模块

import cv2
from skimage import feature
import matplotlib.pyplot as plt

#### 定义函数计算单张图像的LBP特征

def calculate_lbp(image_path, numPoints=8, radius=1):
    # 加载输入图像，并转换成灰度图
    image = cv2.imread(image_path)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 调用skimage.feature.local_binary_pattern() 函数获得LBP特征矩阵
    lbp = feature.local_binary_pattern(gray, numPoints, radius, method="uniform")

    return lbp

此部分实现了读取指定路径下的彩色图像文件，并对其进行预处理——转为灰度格式；接着调用了`feature.local_binary_pattern()` 方法生成了基于设定参数(`numPoints`, `radius`) 的LBP 特征映射表[^3]。

#### 可视化展示原图以及对应的LBP特征图

if __name__ == "__main__":
    img_file = "path_to_your_image.jpg"
    
    orig_img = cv2.imread(img_file)
    rgb_orig_img = cv2.cvtColor(orig_img, cv2.COLOR_BGR2RGB)  # 将BGR颜色空间转换到RGB
    
    lbp_feature_map = calculate_lbp(img_file)

    fig, (ax1, ax2) = plt.subplots(nrows=1, ncols=2, figsize=(10, 5))
    ax1.imshow(rgb_orig_img)
    ax1.set_title('Original Image')
    ax1.axis('off')

    ax2.hist(lbp_feature_map.ravel(), bins=np.arange(0, numPoints + 3), range=(0, numPoints + 2), density=True)
    ax2.set_xlabel('LBP pixel value')
    ax2.set_ylabel('Probability')
    ax2.set_xlim([0, numPoints + 2])
    ax2.set_title('Histogram of LBP Feature Map')

    plt.show()

上述脚本会显示两张子图表：左侧是原始加载后的图像，右侧则是所求得LBP特征直方图，它反映了不同类型的纹理在整个画面里出现的概率密度分布状况[^4]。