快捷導(dǎo)航

python數(shù)字圖像處理之估計(jì)噪聲參數(shù)

更新時(shí)間：2021年04月07日 09:36:43 作者：jasneik

這篇文章主要介紹了python數(shù)字圖像處理之估計(jì)噪聲參數(shù),圖像復(fù)原與重建,想了解圖像處理的同學(xué)，一定要好好看看

估計(jì)噪聲參數(shù)

周期噪聲的參數(shù)通常是通過(guò)檢測(cè)圖像的傅里葉譜來(lái)估計(jì)的。

只能使用由傳感器生成的圖像時(shí)，可由一小片恒定的背景灰度來(lái)估計(jì)PDF的參數(shù)。

來(lái)自圖像條帶的數(shù)據(jù)的最簡(jiǎn)單用途是，計(jì)算灰度級(jí)的均值和方差?？紤]由 S S S表示的一個(gè)條帶（子圖像），并令 P S ( z i ) P_{S}(z_i) PS(zi)， i = 0 , 1 , 2 , … , L − 1 i = 0, 1, 2, \dots, L-1 i=0,1,2,…,L−1表示 S S S中的像素灰度的概率估計(jì)（歸一化直方圖值），其中 L L L是整數(shù)個(gè)圖像中的可能灰度（對(duì)8比特而言， L L L為256）。則均值和方差估計(jì)如下：

直方圖的形狀確認(rèn)最接近的PDF匹配。若形狀大致為高斯分布的，則均值和方差就是我們所需要的，因?yàn)楦咚筆DF完全由這兩個(gè)參數(shù)規(guī)定。對(duì)于其它PDF，我們可以使用均值和方差來(lái)求解參數(shù) a和 b。

對(duì)于沖激噪聲的處理是不同的，因?yàn)樾枰墓烙?jì)是黑、白像素出現(xiàn)的實(shí)際概率。要獲得這個(gè)估計(jì)，就需要看到黑色像素和白色像素，因此要算出噪聲的有意義的直方圖，圖像中就需要有一個(gè)相對(duì)恒定的中灰度區(qū)域。對(duì)應(yīng)于黑色像素和白色像素的峰值高度是式(5.16)中 P p和Ps的估計(jì)。

# 一些重要的噪聲對(duì)應(yīng)灰度的直方圖
img_ori = cv2.imread("DIP_Figures/DIP3E_Original_Images_CH05/Fig0503 (original_pattern).tif", 0)
# 豎圖[40:210, 35:60]，橫圖[40:60, 35:220]
img_gauss    = add_gaussian_noise(img_ori, mu=0, sigma=0.05)[40:60, 35:220]
img_rayleigh  = add_rayleigh_noise(img_ori, a=1)[40:60, 35:220]
img_gamma    = add_gamma_noise(img_ori, scale=2)[40:60, 35:220]
img_exponent  = add_exponent_noise(img_ori, scale=3)[40:60, 35:220]
img_average   = add_average_noise(img_ori, mean=10, sigma=1.5)[40:60, 35:220]

ps = 0.05
pp = 0.02
img_salt_pepper = add_salt_pepper(img_ori, ps=ps, pp=pp)[40:60, 35:220]

show_list = ['img_gauss', 'img_rayleigh', 'img_gamma', 'img_exponent', 'img_average', 'img_salt_pepper']

fig = plt.figure(figsize=(15, 15))

for i in range(len(show_list)):
    if i >= 3:
      # 顯示圖像
      ax = fig.add_subplot(4, 3, i + 3 + 1)
      ax.imshow(eval(show_list[i]), 'gray'), ax.set_xticks([]), ax.set_yticks([]), ax.set_title(show_list[i].split('_')[-1])
      # 對(duì)應(yīng)圖像的直方圖
      ax = fig.add_subplot(4, 3, i + 1 + 6)
      hist, bins = np.histogram(eval(show_list[i]).flatten(), bins=255, range=[0, 255], density=True)
      bar = ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]),
    else:
      # 顯示圖像
      ax = fig.add_subplot(4, 3, i + 1)
      ax.imshow(eval(show_list[i]), 'gray'), ax.set_xticks([]), ax.set_yticks([]), ax.set_title(show_list[i].split('_')[-1])
      # 對(duì)應(yīng)圖像的直方圖
      ax = fig.add_subplot(4, 3, i + 1 + 3)
      hist, bins = np.histogram(eval(show_list[i]).flatten(), bins=255, range=[0, 255], density=True)
      bar = ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]),
      
plt.tight_layout()
plt.show()

# 椒鹽噪聲的參數(shù)估計(jì)
hist, bins = np.histogram(img_salt_pepper.flatten(), bins=255, range=[0, 255], density=True)
print(f"Original pp -> {pp:.3f}, ps -> {ps:.3f}")
print(f'Estimate PP -> {hist[0]:.3f}, PS -> {hist[-1]:.3f}')

Original pp -> 0.020, ps -> 0.050
Estimate PP -> 0.018, PS -> 0.050

# 內(nèi)嵌圖像
fig, main_ax = plt.subplots()
hist, bins = np.histogram(img_gauss.flatten(), bins=255, range=[0, 255], density=True)
bar = main_ax.bar(bins[:-1], hist[:]), main_ax.set_xticks([]), main_ax.set_yticks([])

inset_ax = fig.add_axes([0.1, 0.3, 0.2, 0.5])
inset_ax.imshow(img_gauss.reshape(185, 20), 'gray'), inset_ax.set_xticks([]), inset_ax.set_yticks([])

plt.show()