快捷導(dǎo)航

opencv python 圖像去噪的實(shí)現(xiàn)方法

更新時(shí)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(shí)現(xiàn)方法，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)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(shù)如高斯模糊，Median模糊等，它們在移除數(shù)量小的噪音時(shí)在某種程度上比較好用。在這些技術(shù)里，我們?nèi)∠袼刂車囊恍〔糠粥従樱鲆恍╊愃朴诟咚蛊骄鶛?quán)重，中值等替換掉中間的元素。簡單說，移除一個(gè)像素的噪音是基于本地鄰居的。

噪音有一個(gè)屬性，噪音一般被認(rèn)為是具有零平均值的隨機(jī)變量。假設(shè)一個(gè)像素噪音，p = p0 + n, 其中p0是像素的真實(shí)值，n是那個(gè)像素的噪音。你可以從不同圖像取大量的同一個(gè)像素(N)并計(jì)算他們的平均值，理想情況下，你應(yīng)該得到p=p0，因?yàn)榫凳?.

你可以自己通過一個(gè)簡單例子驗(yàn)證一下。保持一個(gè)靜止的攝像機(jī)對準(zhǔn)一個(gè)位置多呆幾秒，這會給你很多幀，或者是對一個(gè)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(jié)果和第一幀。你可以看到噪點(diǎn)被去掉了。不幸的是這個(gè)簡單的方法對于攝像機(jī)和場景的運(yùn)動來說就不健壯了。而且經(jīng)常你也只有一個(gè)噪音圖像可用。

Image Denoising

OpenCV提供了這種技術(shù)的四種變體。

cv2.fastNlMeansDenoising（） - 使用單個(gè)灰度圖像
cv2.fastNlMeansDenoisingColored（） - 使用彩色圖像。
cv2.fastNlMeansDenoisingMulti（） - 用于在短時(shí)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(qiáng)度。較高的h值可以更好地消除噪聲，但也會刪除圖像的細(xì)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(yīng)該是奇數(shù)。（recommended 7）
searchWindowSize：應(yīng)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(yù)計(jì)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(yīng)用于視頻。第一個(gè)參數(shù)是嘈雜幀的列表。第二個(gè)參數(shù)imgToDenoiseIndex指定我們需要去噪的幀，因?yàn)槲覀冊谳斎肓斜碇袀鬟f了frame的索引。第三個(gè)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(gè)幀的列表作為輸入。設(shè)imgToDenoiseIndex = 2和temporalWindowSize = 3.然后使用frame-1，frame-2和frame-3對幀-2進(jìn)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()