9.1 图像去噪

优质

小牛编辑

114浏览

2023-12-01

目标

在这一章当中，

您将了解非局部均值消噪算法，以消除图像中的噪声。
你会看到几个不同的函数，如 cv2.fastNlMeansDenoising()，cv2.fastNlMeansDenoisingColored() 等

理论基础

在前面的章节中，我们看到了许多像高斯模糊，中值模糊等图像平滑技术，它们在一定程度上消除了少量的噪声。在这些技术中，我们在像素周围采取了一个小的邻域，并进行了一些像高斯加权平均值，取中位数等操作，用结果来代替中心元素。总之，一个像素处的噪声消除被限制在其邻域内。

噪声有一个属性。噪声通常被认为是零均值的随机变量。考虑有噪声的像素，$p = p_0 + n$，其中$p_0$是像素的真实值，$n$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（比如说$N$个）并计算它们的平均值。理想情况下，你应该得到$p = p_0$，因为噪声的均值为零。

您可以通过简单的设置自行验证。拿一个静态摄像头，将它放在一个特定的位置几秒钟。这会给你很多的帧，或者是同一场景的很多图像。然后写一段代码找到视频中所有帧的平均值（现在这对你来说应该太简单了）。比较最终结果和第一帧。你可以看到噪声的减少。不幸的是，这种简单的方法不适用于相机和场景的运动。同时往往也只有一幅嘈杂的图像可用。

所以想法很简单，我们需要一组相似的图像来平均噪音。考虑图像中的一个小窗口（比如5x5窗口）。相同的图像片很有可能在图像中的其他地方。有时在一个小的领域周围。如何将这些相似的图像片一起使用并找到它们的平均值？对于特定的窗口，这样做效果很好。

图像中的蓝色图像块看起来相似。绿色图像块看起来相似。所以我们取一个像素，取围绕它周围的小窗口，在图像中搜索相似的窗口，平均所有的窗口，并用我们得到的结果取代像素。这种方法是非局部的去噪。与我们之前看到的模糊技术相比，它需要更多的时间，但是结果非常好。更多的细节和在线演示可以在更多资源的第一个链接。

对于彩色图像，图像将会转换为CIELAB色彩空间，然后分别去除L和AB分量。

OpenCV中的图像去噪

OpenCV 提供了这种技术的四种变体。

cv2.fastNlMeansDenoising() - 适用于单个灰度图像
cv2.fastNlMeansDenoisingColored()- 适用于彩色图像。
cv2.fastNlMeansDenoisingMulti() - 适用于短时间捕获的图像序列（灰度图像）
cv2.fastNlMeansDenoisingColoredMulti() - 与上面相同，但是是彩色图像。

它们共同的参数是：

h：参数决定滤波强度。较高的h值可以更好地去除噪点，但也会去除图像的细节。（一般来说10是一个好的值）
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）

有关这些参数的更多详细信息，请访问更多资源的第一个链接。

我们将在这里展示 2 和 3。其他留给你。

1. `cv2.fastNlMeansDenoisingColored()`

如上所述，它用于去除彩色图像中的噪声。（噪音预计是高斯噪声）。

看下面的例子：

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

img = cv2.imread('die.png')
dst = cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21)
plt.subplot(121),plt.imshow(img)
plt.subplot(122),plt.imshow(dst)
plt.show()

以下是结果缩放过的版本。我的输入图像具有$\sigma = 25$的高斯噪声。

2. `cv2.fastNlMeansDenoisingMulti()`

现在我们将对视频使用相同的方法。第一个参数是有噪声的帧的列表。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帧的索引。第三个是temporalWindowSize，它指定了用于去噪的附近帧的数量。这应该是个奇数。在那种情况下，总共使用temporalWindowSize帧，其中中央帧是要被去噪的帧。例如，您传递了5个框架的列表作为输入。让imgToDenoiseIndex = 2和temporalWindowSize = 3。那么将会使用frame-1，frame-2和frame-3来消除frame-2中的噪声。我们来看一个例子。

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

cap = cv2.VideoCapture('vtest.avi')

# 创建一个有5个帧的列表
img = [cap.read()[1] for i in xrange(5)]

# 全部转换到灰度图
gray = [cv2.cvtColor(i, cv2.COLOR_BGR2GRAY) for i in img]

# 全部转换到float64
gray = [np.float64(i) for i in gray]

# 创建一个标准差为25的噪声
noise = np.random.randn(*gray[1].shape)*10

# 向图像中添加噪声
noisy = [i+noise for i in gray]

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

# 使用全部5帧来为第三帧去噪
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()

计算需要相当长的时间。在结果图像中，第一个图像是原始图像，第二个图像是添加了噪声的图像，第三个图像是去噪后的图像。

9.1 图像去噪

目标

理论基础

OpenCV中的图像去噪

1. cv2.fastNlMeansDenoisingColored()

2. cv2.fastNlMeansDenoisingMulti()

更多资源

1. `cv2.fastNlMeansDenoisingColored()`

2. `cv2.fastNlMeansDenoisingMulti()`