图像降噪

谁践踏了优雅 2023-06-11 10:29 22阅读 0赞

图像降噪，也称图像去噪（Image denoising）。  
滤波是图像降噪的一种方法，但降噪不是滤波的唯一应用场合。

### 文章目录 ###

*   *  图像噪声
     *  局部去噪
     *  非局部去噪
     *  去噪效果对比

## 图像噪声 ##

![20181117102744105.png][] 原图

常见图像噪声有以下四种：

**高斯噪声**

高斯噪声，指概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。

**泊松噪声**

泊松噪声，指符合泊松分布的噪声模型。泊松分布适合描述单位时间内随机事件发生次数的概率分布。

**乘性噪声**

乘性噪声一般由信道不理想引起，它们与信号的关系是相乘的，信号在它在，信号不在时他也就不在了。

**椒盐噪声**

椒盐噪声，又称脉冲噪声，它随机改变一些像素值，是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声。

## 局部去噪 ##

OpenCV中有多个可以降低图像噪声、对图像实现平滑滤波的函数，如

*  blur：对各种噪声都有一定的抑制作用
 *  GaussianBlur：对随机噪声比较好，对椒盐噪声效果不好
 *  medianBlur：对椒盐噪声效果比较好

具体可参见：[图像滤波][Link 1]

## 非局部去噪 ##

在滤波技术里，通常取像素周围的一小部分邻域进行平滑滤波。对于非局部去噪技术，OpenCV提供了四种变体：

**使用单个灰度图像**：

函数原型：

def fastNlMeansDenoising(src, dst=None, h=None, templateWindowSize=None, searchWindowSize=None)
    
      
       
      
       
        1

**使用单个彩色图像**

函数原型：

def fastNlMeansDenoisingColored(src, dst=None, h=None, hColor=None, templateWindowSize=None, searchWindowSize=None)
    
      
       
      
       
        1

通用参数：

*  h：值越大表示去噪声力度越大，同时细节丢失也越多，默认值为10
 *  hColor：与h相同，但仅适用于彩色图像，大小通常与h相同
 *  templateWindowSize：相似性权重计算窗口大小，一般为5～15之间的奇数
 *  searchWindowSize：搜索窗口，大小可以设置为相似性计算窗口大小的3～5倍的奇数

**使用在短时间内捕获的图像序列（灰度图像）**

函数原型：

def fastNlMeansDenoisingMulti(srcImgs, imgToDenoiseIndex, temporalWindowSize, dst=None, h=None, templateWindowSize=None, searchWindowSize=None) 
    
      
       
      
       
        1

**使用在短时间内捕获的图像序列（彩色图像）**

函数原型：

def fastNlMeansDenoisingColoredMulti(srcImgs, imgToDenoiseIndex, temporalWindowSize, dst=None, h=None, hColor=None, templateWindowSize=None, searchWindowSize=None)
    
      
       
      
       
        1

通用参数：

*  srcImgs：带噪点的图像帧的列表
 *  imgToDenoiseIndex： 指定需要降噪的那一帧对应的索引。
 *  temporalWindowSize：指定多少个周围的帧用来去噪，奇数。（如，传入5帧图像列表，imgToDenoiseIndex = 2， temporalWindowSize = 5，即使用第0~4帧，来给第2帧去噪）

## 去噪效果对比 ##

![2018111711202363.png][]

import cv2

def get\_srcImgs():  
imgs = \[\]  
imgs\_gray = \[\]  
videoCapture = cv2.VideoCapture("./test.mp4")  
videoCapture.set(cv2.CAP\_PROP\_POS\_FRAMES, 90)  
for i in range(3):  
success, img= videoCapture.read()  
gray = cv2.cvtColor(img, cv2.COLOR\_BGR2GRAY)  
imgs.append(img)  
imgs\_gray.append(gray)  
return imgs, imgs\_gray

def show\_GaussianBlur(img):  
gaussian = cv2.GaussianBlur(img, (5, 5), 0)  
gaussian\_Canny = cv2.Canny(gaussian, 42, 42  3, apertureSize=3)  
cv2.imshow('gaussian kSize=55’, gaussian)  
cv2.imshow(‘gaussian\_Canny’, gaussian\_Canny)

def denoise(x):  
h = cv2.getTrackbarPos(‘h’, ‘denoise demo’)  
tempSize = cv2.getTrackbarPos(‘size’, ‘denoise demo’)  
searchSize = tempSize \* 3

if tempSize % 2 == 0:
 	return
 
 denoise_color = cv2.fastNlMeansDenoisingColored(img, None, h, h, tempSize, searchSize)
 cv2.imshow('denoise color', denoise_color)
 
 denoise = cv2.fastNlMeansDenoising(gray, None, h, tempSize, searchSize)
 denoise_Canny = cv2.Canny(denoise, 42, 42 * 3, apertureSize=3)
 cv2.imshow('denoise', denoise)
 cv2.imshow('denoise_Canny', denoise_Canny)
 
 denoise_color_Multi = cv2.fastNlMeansDenoisingColoredMulti(imgs, 1, 3, None, h, h, tempSize, searchSize)
 cv2.imshow('denoise_color_Multi', denoise_color_Multi)
 
 denoise_Multi = cv2.fastNlMeansDenoisingMulti(imgs_gray, 1, 3, None, h, tempSize, searchSize)
 denoise_Multi_Canny = cv2.Canny(denoise_Multi, 42, 42 * 3, apertureSize=3)
 cv2.imshow('denoise_Multi', denoise_Multi)
 cv2.imshow('denoise_Multi_Canny', denoise_Multi_Canny)

h = 9  
size = 9

imgs, imgs\_gray = get\_srcImgs()  
img = cv2.imread("./frame\_91.png")  
gray = cv2.cvtColor(img, cv2.COLOR\_BGR2GRAY)

cv2.namedWindow(‘denoise demo’)  
cv2.imshow(‘denoise demo’, img)  
cv2.createTrackbar(‘h’, ‘denoise demo’, h, 30, denoise)  
cv2.createTrackbar(‘size’, ‘denoise demo’, size, 15, denoise)

show\_GaussianBlur(img)

denoise(0)  
if cv2.waitKey(0) == 27:  
cv2.destroyAllWindows()

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11
 *  12
 *  13
 *  14
 *  15
 *  16
 *  17
 *  18
 *  19
 *  20
 *  21
 *  22
 *  23
 *  24
 *  25
 *  26
 *  27
 *  28
 *  29
 *  30
 *  31
 *  32
 *  33
 *  34
 *  35
 *  36
 *  37
 *  38
 *  39
 *  40
 *  41
 *  42
 *  43
 *  44
 *  45
 *  46
 *  47
 *  48
 *  49
 *  50
 *  51
 *  52
 *  53
 *  54
 *  55
 *  56
 *  57
 *  58
 *  59
 *  60
 *  61

</div>

[20181117102744105.png]: /images/20230531/b0e583d04568420a89a13b1d2d281c84.png
[Link 1]: https://blog.csdn.net/lk3030/article/details/84144281
[2018111711202363.png]: /images/20230531/6e1a091a147d4933a868634e9a311aea.png