OpenCV-Python 图像去噪

在这一章当中,

  • 您将了解非局部均值去噪算法以消除图像中的噪声。
  • 你会看到不同的功能,如 cv.fastNlMeansDenoising()cv.fastNlMeansDenoisingColored() 等。

图像去噪理论

在前面的章节中,我们已经看到许多图像平滑技术,如高斯模糊,中位模糊等,它们在一定程度上消除了少量噪声。在这些技术中,我们在像素周围采用了一个小邻域,并进行了一些操作,如高斯加权平均值,值的中值等,以替换中心元素。简而言之,像素处的噪声消除是其邻域的局部。

有噪音的财产。噪声通常被认为是零均值的随机变量。考虑一个有噪声的像素,( p = p_0 + n ) 其中 ( p_0 ) 是像素的真值,( n ) 是该像素中的噪声。您可以从不同的图像中获取大量相同的像素例如 ( N ) 并计算它们的平均值。理想情况下,你应该得到 ( p = p_0 ),因为噪声的平均值为零。

您可以通过简单的设置自行验证。将静态相机固定在某个位置几秒钟。这将为您提供大量的帧或同一场景的大量图像。然后写一段代码来查找视频中所有帧的平均值(这对你来说应该太简单了)。比较最终结果和第一帧。你可以看到减少噪音。不幸的是,这种简单的方法对相机和场景运动不稳健。通常也只有一个嘈杂的图像。

所以想法很简单,我们需要一组类似的图像来平均噪音。考虑图像中的一个小窗口(比如 5×5 窗口)。机会很大,相同的补丁可能在图像中的其他位置。有时在它附近的一个小社区。如何一起使用这些类似的补丁并找到它们的平均值?对于那个特定的窗口,那很好。请参阅下面的示例图片:

OpenCV图像去噪

图像中的蓝色斑块看起来很相似。绿色斑块看起来相似。所以我们拍摄一个像素,在它周围采取小窗口,在图像中搜索类似的窗口,平均所有窗口并用我们得到的结果替换像素。该方法是非局部均值去噪。与我们之前看到的模糊技术相比,它需要更多的时间,但结果非常好。更多详细信息和在线演示可以在其他资源的第一个链接中找到。

对于彩色图像,图像被转换为​​CIELAB 色彩空间,然后单独对 L 和 AB 分量进行去噪。

OpenCV 中的图像去噪

OpenCV 提供了这种技术的四种变体。

  1. cv.fastNlMeansDenoising() – 适用于单个灰度图像
  2. cv.fastNlMeansDenoisingColored() – 适用于彩色图像。
  3. cv.fastNlMeansDenoisingMulti() – 适用于短时间内拍摄的图像序列(灰度图像)
  4. cv.fastNlMeansDenoisingColoredMulti() – 与上述相同,但适用于彩色图像。

常见的论点是:

  • h:参数决定滤波器强度。较高的 h 值可以更好地消除噪声,但也会删除图像的细节。 (10 个没问题)
  • hForColorComponents:与 h 相同,但仅适用于彩色图像。 (通常与 h 相同)
  • templateWindowSize:应该是奇数。 (推荐 7)
  • searchWindowSize:应该是奇数。 (推荐 21)

有关这些参数的详细信息,请访问其他资源中的第一个链接。

我们将在这里演示 2 和 3。休息留给你。

1. cv.fastNlMeansDenoisingColored()

如上所述,它用于从彩色图像中去除噪声。 (噪音预计是高斯噪音)。请参阅以下示例:

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('die.png')

dst=cv.fastNlMeansDenoisingColored(img,None,10,10,7,21)

plt.subplot(121),plt.imshow(img)
plt.subplot(122),plt.imshow(dst)
plt.show()

下面是结果的缩放版本。我的输入图像的高斯噪声为 ( sigma = 25)。看结果:

OpenCV图像去噪

2. cv.fastNlMeansDenoisingMulti()

现在我们将相同的方法应用于视频。第一个参数是嘈杂帧的列表。第二个参数 imgToDenoiseIndex 指定我们需要去噪的帧,因为我们在输入列表中传递了 frame 的索引。第三个是 temporalWindowSize,它指定了用于去噪的附近帧的数量。应该很奇怪。在这种情况下,使用总共 temporalWindowSize 帧,其中中心帧是要去噪的帧。例如,您传递了 5 个帧的列表作为输入。设 imgToDenoiseIndex = 2 和 temporalWindowSize = 3.然后使用 frame-1,frame-2 和 frame-3 对帧-2 进行去噪。我们来看一个例子吧。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

cap = cv.VideoCapture('vtest.avi')
# create a list of first 5 frames
img = [cap.read()[1] for i in xrange(5)]

# convert all to grayscale
gray = [cv.cvtColor(i, cv.COLOR_BGR2GRAY) for i in img]

# convert all to float64
gray = [np.float64(i) for i in gray]

# create a noise of variance 25
noise = np.random.randn(*gray[1].shape)*10

# Add this noise to images
noisy = [i+noise for i in gray]

# Convert back to uint8
noisy = [np.uint8(np.clip(i,0,255)) for i in noisy]

# Denoise 3rd frame considering all the 5 frames

dst = cv.fastNlMeansDenoisingMulti(noisy, 2, 5, None, 4, 7,35)

plt.subplot(131),plt.imshow(gray[2],'gray')
plt.subplot(132),plt.imshow(noisy[2],'gray')
plt.subplot(133),plt.imshow(dst,'gray')
plt.show()

下图显示了我们得到的结果的缩放版本:

OpenCV图像去噪

计算需要相当长的时间。在结果中,第一图像是原始帧,第二图像是噪声图像,第三图像是去噪图像。

赞(1)
未经允许不得转载:极客笔记 » OpenCV-Python 图像去噪
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址