Python 计算图像差分的三种方式（cv2，torchvision，numpy）

news2024/9/20 15:05:52

前言：最近在可视化图像残差时，发现几种不同的差分方法，下面分别给出每种差分方法的实现方式，并比较不同方法之间的差异。

1️⃣ cv2

依赖库：cv2
安装方式：pip install opencv-python

import cv2

cur_poi_img = cv2.imread(poi_image_path)
cv2.imwrite(poi_save_path, cur_poi_img)

cur_clean_img = cv2.imread(clean_img_path)
# cur_clean_img = cv2.resize(cur_clean_img, (256, 256))
# cur_clean_img = np.array(Image.fromarray(cur_clean_img).resize((256, 256)))
cv2.imwrite(clean_save_path, cur_clean_img)

residual = cv2.absdiff(cur_poi_img,cur_clean_img)
cv2.imwrite(residual_save_path, residual)

对应残差结果：

在这里插入图片描述

2️⃣ PIL & torchvision

依赖库：torchvision
安装方式：pip install torchvision

import torchvision.transforms as T
from torchvision.utils import save_image

transform = T.Compose([
	# T.Resize([256, 256]),
    T.ToTensor(),
])

image = Image.open(clean_img_path).convert("RGB")
clean_img_tensor = transform(image)
save_image(clean_img_tensor, clean_save_path)

image = Image.open(poi_image_path).convert("RGB")
poi_img_tensor = transform(image)
save_image(poi_img_tensor, poi_save_path)

residual_tensor = poi_img_tensor - clean_img_tensor
save_image(residual_tensor, residual_save_path)

对应残差结果：

在这里插入图片描述

3️⃣ PIL & numpy

依赖库：PIL, numpy
安装方式：pip install pillow, pip install numpy

from PIL import Image
import numpy as np

cur_poi_img = Image.open(poi_image_path)
cur_poi_img = np.asarray(cur_poi_img)
cur_clean_img = Image.open(clean_img_path)
cur_clean_img = np.asarray(cur_clean_img)

residual = cur_poi_img - cur_clean_img
residual = (residual * 255).astype(np.uint8)
residual = Image.fromarray(residual)
residual.save(residual_save_path)

对应残差结果：

在这里插入图片描述

后记：由上述结果可以看出，通过 numpy 方式计算得到的残差图像并不是十分准确，这是由于在使用.astype(np.uint8)进行数据转换时产生了信息损失，大家在实际操作的时候也要引以为戒，选择正确的方式进行图像差分。

PS：resize操作对差分结果有很大影响！假如我们按照 clean_image-[Resize]-resized-image-[AddNoise]-poi_image的流程进行操作，在计算差分结果时，使用的图像对最好是resized-image和poi_image，而不是clean_image和poi_image。下面给出后者的错误计算结果（建议放大🔍观看）❌：

在这里插入图片描述
我们会发现，除patch区域，差分图像的其余区域也出现了扰动印记，这是resize操作带来的误差，从而印证了上述观点。