Projekt_Dyschromasie/Code/Dyschromasie.py

import cv2  # OpenCV fuer Bildbearbeitung
import tkinter  # Zum Erstellen von GUIs
import numpy as np  # Numpy Import
import sys


# Einlesen des Bildes
script_dir = sys.path[0]
path = script_dir[:-4] + "Beispielbilder\grocery_store.jpg"
image = cv2.imread(path)  # Einlesen des Bildes (noch hardcodiert, sollte dann in GUI gehen)

rows = image.shape[0]  # Auslesen der Zeilenanzahl
cols = image.shape[1]  # Auslesen der Spaltenanzahl
kanaele = image.shape[2]  # Auslesen der Kanaele (3 fuer RGB, 1 fuer Graubild)

def gammaCorrection(v):
    if v <= 0.04045 * 255:
        return float(((v / 255) / 12.92))
    elif v > 0.04045 * 255:
        return float((((v / 255) + 0.055) / 1.055) ** 2.4)
    else:
        print("Ungültiger Wert!!")
        return 1


def reverseGammaCorrection(v_reverse):
    if v_reverse <= 0.0031308:
        return int(255 * (12.92 * v_reverse))
    elif v_reverse > 0.0031308:
        return int(255 * (1.055 * v_reverse ** 0.41666 - 0.055))
    else:
        print("Ungültiger Wert!!!")
        return 1

cb_image = np.copy(image)  # Kopie des Bildarrays
cb_image = cb_image.astype('float64')  # Casting des Arrays auf Float

# Korrektur des Gamma Faktors für alle Bildelemente
for i in range(rows):
    for j in range(cols):
        for x in range(3):
            cb_image[i, j, x] = gammaCorrection(float(image[i, j, x]))

'''
        0.31399022 0.63951294 0.04649755   Transformationsmatrix zum Konvertieren vom linearen RGB zum LMS Farbraum
T   =   0.15537241 0.75789446 0.08670142   Multiplikation aus Brucelindbloom und Hunt-Pointer-Estevez Matrixen 
        0.01775239 0.10944209 0.87256922   T*RGB_Farbverktor = LMS_Farbvektor
'''

T = np.array([[0.31399022, 0.63951294, 0.04649755],
              [0.15537241, 0.75789446, 0.08670142],
              [0.01775239, 0.10944209, 0.87256922]])

'''
               5.47221206 −4.6419601   0.16963708    Rücktransformationsmatrix (Inverse von T)
T_reversed  = -1.1252419  2.29317094  −0.1678952     T_reversed Ü LMS_Farbvektor = RBG_Farbvektor
               0.02980165 −0.19318073  1.16364789
'''

T_reversed = np.array([[5.47221206, -4.6419601, 0.16963708],
                       [-1.1252419, 2.29317094, -0.1678952],
                       [0.02980165, -0.19318073, 1.16364789]])

S_p = np.array([[0, 1.05118294, -0.05116099],  #Simulationsmatrix fuer Protanopie
                [0, 1, 0],
                [0, 0, 1]])

S_d = np.array([[1, 0, 0],                     #Simulationsmatrix fuer Deuteranopie
                [0.9513092, 0, 0.04866992],
                [0, 0, 1]])

S_t = np.array([[1, 0, 0],                     #Simulationsmatrix fuer Tritanopie
                [0, 1, 0],
                [-0.86744736, 1.86727089, 0]])


#Multiplikation der einzelnen Pixel
for i in range(rows):
    for j in range(cols):
        cb_image[i,j] = np.flipud(T_reversed.dot(S_p).dot(T).dot(np.flipud(cb_image[i,j])))
        # Da OpenCV Pixelwerte in RGB speichert, aber BGR für den Algorithmus nötig ist, muss die Matrix mit flipud gedreht werden

sim_image = np.copy(cb_image)
sim_image = sim_image.astype('uint8')

#Rücktransformation der Gammawerte
for i in range(rows):
    for j in range(cols):
        for x in range(3):
            sim_image[i, j, x] = reverseGammaCorrection(cb_image[i, j, x])

cv2.namedWindow("Display")  # Displaywindow erstellen
cv2.imshow("Display", sim_image)  # Bild zeigen
cv2.waitKey(0)  # Fenster offen halten