Python OpenCV 图片干扰线 图像去噪opencv

文章目录

• 1.原理
• 2.去除彩色图像噪声
• 3.去除视频(短序列)噪声

1.原理

• 在图像平滑小节介绍了很多算法，如高斯模糊、中值模糊等，它们在一定程度上可以很好地去除少量的噪声。在这些技术中，我们在像素周围取一个小的邻域，并做了一些操作，如高斯加权平均、值的中值等来替换中心元素。简而言之，像素的噪声去除是其邻近区域的局部。
• 噪声有一个性质。我们认为噪声是平均值为一的随机变量。考虑一个带噪声的像素点，$p = p_0 + n$，其中$p_0$ 为像素的真实值，$n$ 为这个像素的噪声。我们可以从不同图片中选取大量的相同像素（N）然后计算平均值。理想情况下我们会得到$p = p_0$。因为噪声的平均值为0。
• 我们需要一组相似的图片，通过取平均值的方法可以去除噪音。下图中的蓝色窗口看起来是相似的。绿色窗口看起来也是相似的。所以我们可以 选取包含目标像素的一个小窗口，然后在图像中搜索相似的窗口，最后求取所有窗口的平均值，并用这个值取代目标像素的值。 这种方法就是非局部平均值去噪。与我们以前学习的平滑技术相比这种算法要消耗更多的时间，但是结果很好。
• 对于彩色图像，要先转换到CIELAB 颜色空间，然后对L 和AB 成分分别去噪。
• OpenCV 提供了这种技术的四个变本：

• cv2.fastNlMeansDenoising() #使用对象为灰度图。
• cv2.fastNlMeansDenoisingColored() #使用对象为彩色图。
• cv2.fastNlMeansDenoisingMulti() #适用于短时间的图像序列（灰度图像）
• cv2.fastNlMeansDenoisingColoredMulti() #适用于短时间的图像序列（彩色图像）
  这些函数的共同参数有：

• h : 决定过滤器强度。h 值高可以很好的去除噪声，但也会把图像的细节抹去。(取10 的效果不错)
• hForColorComponents : 与h 相同，但使用于彩色图像。（与h 相同）
• templateWindowSize : 奇数。(推荐值为7)
• searchWindowSize : 奇数。(推荐值为21)

2.去除彩色图像噪声

输入图像中含有方差为25 的噪声。

def denoise_color(self):
    img = cv2.cvtColor(self.img, code=cv2.COLOR_BGR2RGB)
    dst = cv2.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21)
    plt.subplot(121), plt.imshow(img)
    plt.subplot(122), plt.imshow(dst)
    plt.show()

3.去除视频(短序列)噪声

def denoise_video(self):
    cap = cv2.VideoCapture('../images/vtest.avi')
    img = [cap.read()[1] for i in range(5)]# 创建一个前5帧的list
    gray = [cv2.cvtColor(i, cv2.COLOR_BGR2GRAY) for i in img]# 全部转为灰度图
    gray = [np.float64(i) for i in gray]# 全部转为float64类型
    noise = np.random.randn(*gray[1].shape) * 10#创建一个方差为25的噪声
    noisy = [i + noise for i in gray]#向所有图像添加噪声
    noisy = [np.uint8(np.clip(i, 0, 255)) for i in noisy]#转为uint8类型
    # 根据这5帧图像，对第三帧去噪
    dst = cv2.fastNlMeansDenoisingMulti(noisy, 2, 5, None, 4, 7, 35)
    titles = ['3rd frame', '3rd frame+noise','3rd denoise']
    imgs = [gray[2], noisy[2],dst]
    for i in range(3):
        plt.subplot(1, 3, i + 1), plt.imshow(imgs[i], 'gray')
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([])
    plt.show()

以上是放大后的局部图像。