opencv python 圖像去噪的實現(xiàn)方法

更新時間：2018年08月31日 08:58:41 作者：sakurala

這篇文章主要介紹了opencv python 圖像去噪的實現(xiàn)方法，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

在早先的章節(jié)里，我們看到很多圖像平滑技術如高斯模糊，Median模糊等，它們在移除數(shù)量小的噪音時在某種程度上比較好用。在這些技術里，我們?nèi)∠袼刂車囊恍〔糠粥従樱鲆恍╊愃朴诟咚蛊骄鶛嘀?，中值等替換掉中間的元素。簡單說，移除一個像素的噪音是基于本地鄰居的。

噪音有一個屬性，噪音一般被認為是具有零平均值的隨機變量。假設一個像素噪音，p = p0 + n, 其中p0是像素的真實值，n是那個像素的噪音。你可以從不同圖像取大量的同一個像素(N)并計算他們的平均值，理想情況下，你應該得到p=p0，因為均值是0.

你可以自己通過一個簡單例子驗證一下。保持一個靜止的攝像機對準一個位置多呆幾秒，這會給你很多幀，或者是對一個場景的很多圖像。然后寫一些代碼來找到視頻里所有幀的平均值。比較最終的結果和第一幀。你可以看到噪點被去掉了。不幸的是這個簡單的方法對于攝像機和場景的運動來說就不健壯了。而且經(jīng)常你也只有一個噪音圖像可用。

Image Denoising

OpenCV提供了這種技術的四種變體。

cv2.fastNlMeansDenoising（） - 使用單個灰度圖像
cv2.fastNlMeansDenoisingColored（） - 使用彩色圖像。
cv2.fastNlMeansDenoisingMulti（） - 用于在短時間內(nèi)捕獲的圖像序列（灰度圖像）
cv2.fastNlMeansDenoisingColoredMulti（） - 與上面相同，但用于彩色圖像。

Common arguments:

h：參數(shù)決定濾波器強度。較高的h值可以更好地消除噪聲，但也會刪除圖像的細節(jié) (10 is ok)
hForColorComponents：與h相同，但僅適用于彩色圖像。（通常與h相同）
templateWindowSize：應該是奇數(shù)。（recommended 7）
searchWindowSize：應該是奇數(shù)。（recommended 21）

cv2.fastNlMeansDenoisingColored()

如上所述，它用于從彩色圖像中去除噪聲。（噪音預計是高斯噪音）

import numpy as np
import cv2
import matplotlib.pyplot as plt


img = cv2.imread('img.jpg')

dst = cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21)

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

cv2.fastNlMeansDenoisingMulti（）

現(xiàn)在我們將相同的方法應用于視頻。第一個參數(shù)是嘈雜幀的列表。第二個參數(shù)imgToDenoiseIndex指定我們需要去噪的幀，因為我們在輸入列表中傳遞了frame的索引。第三個是temporalWindowSize，它指定了用于去噪的附近幀的數(shù)量。在這種情況下，使用總共temporalWindowSize幀，其中中心幀是要去噪的幀。例如，傳遞了5個幀的列表作為輸入。設imgToDenoiseIndex = 2和temporalWindowSize = 3.然后使用frame-1，frame-2和frame-3對幀-2進行去噪

import numpy as np
import cv2
import matplotlib.pyplot as plt


cap = cv2.VideoCapture('test.mp4')

# create a list of first 5 frames
img = [cap.read()[1] for i in range(5)]

# convert all to grayscale
gray = [cv2.cvtColor(i, cv2.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 = cv2.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()