标准化图像返回---> OverflowError：无法将浮点无穷大转换为整数

Question

下面是我为了标准化图像并使其照度不变而编写的 python 代码。对于图像的每个像素，新像素值应为(R/sum,G/sum,B/sum)，其中sum=R+G+B。import numpy as npimport cv2 img=cv2.imread(r'C:/Users/kjbaili/.spyder-py3/color_supression_RV/rub00.jpg')print(img[200,200])print(img[200,200,0])def normalized(down):    norm_img = np.zeros(down.shape, down.dtype)        width,height,channels=down.shape        for y in range(0,height):        for x in range(0,width):              sum=down[x,y,0]+down[x,y,1]+down[x,y,2]                           b=(down[x,y,0]/ sum)*255              g=(down[x,y,1]/ sum)*255              r=(down[x,y,2]/ sum)*255                                      norm_img[x,y,0]= b              norm_img[x,y,1]= g              norm_img[x,y,2]= r                  return norm_imgimage=normalized(img)cv2.imshow('normalized',image)cv2.waitKey(0)cv2.destroyAllWindows()但是，我收到以下错误：OverflowError: cannot convert float infinity to integer虽然，我在这里找到了与此相关的类似已回答问题，但我无法将其投射到我的问题中，因为我不知道哪个值会导致无穷大。

Answer 1

您的访问索引已切换。你应该做down[y,x,0]etc. not down[x,y,0]。但是，我怀疑您在此处访问时不会遇到任何错误，因为图像是方形的。此外，与完整的浮点精度相比，当您以有限的精度将三个数字加在一起时，您的值将会溢出。例如，添加200 + 100 + 50无符号 8 位整数将导致350 % 256 = 94. 在你的无限结果中可能发生的是，要么你有完全黑色的像素，因此归一化导致除以 0 错误，或者三个值的总和溢出给你一个 0 值再次给你这个结果。

您可以做的是执行完整性检查，以确保如果三个通道的总和不等于 0，则执行归一化。此外，您还需要更改精度，以便它可以在求和后处理更高的值。

换句话说：

def normalized(down):

    norm_img = np.zeros(down.shape, down.dtype)

    

    width,height,channels=down.shape

    

    for y in range(0,height):

        for x in range(0,width):

              sum=float(down[y,x,0])+float(down[y,x,1])+float(down[y,x,2])  # Change

              

              if sum > 0:  # Change

                  b=(down[y,x,0]/ sum)*255.0   # Change

                  g=(down[y,x,1]/ sum)*255.0

                  r=(down[y,x,2]/ sum)*255.0

            

                  norm_img[y,x,0]= b  # Should cast downwards automatically

                  norm_img[y,x,1]= g

                  norm_img[y,x,2]= r

              

    return norm_img

这当然是非常低效的，因为您在单个像素上循环并且没有利用体现 NumPy 数组的矢量化。简单的说，numpy.sum沿第三个维度求和，然后将每个通道除以相应的量：

def normalized(down):

    sum_img = np.sum(down.astype(np.float), axis=2)

    sum_img[sum_img == 0] = 1

    return (255 * (down.astype(np.float) / sum_img[...,None])).astype(down.dtype)

第一行计算一个二维数组，其中每个位置沿通道维度求和，为您提供每个空间位置的 RGB 值之和。我还将类型提升为浮点数以在规范化时保持精度。接下来，第二行代码的中间检查确保没有被零除的错误，所以任何为 0 的像素，我们将标记值设置为 1，以便除法结果为 0 值。之后，我们获取输入图像并将每个相应的 RGB 像素除以相应空间位置的总和。请注意，我使用了广播，以便将 2D 总和数组制作成具有单例第三通道的 3D 数组，以使广播正常工作。最后，我乘以 255，就像您在之前的版本中所做的那样。

为了更简洁一点，您可以通过使用keepdims参数来进一步简化此操作numpy.sum，以便在对第三维求和后维护单例维。这样就避免了手动单例维度插入：

def normalized(down):

    sum_img = np.sum(down.astype(np.float), axis=2, keepdims=True)

    sum_img[sum_img == 0] = 1

    return (255 * (down.astype(np.float) / sum_img)).astype(down.dtype)