作者|OpenCV-Python Tutorials
編譯|Vincent
來源|OpenCV-Python Tutorials
目標
在本章中，
- 你將學習用于去除影像中噪聲的非區域均值去噪演算法，
- 你將看到不同的函式，例如cv.fastNlMeansDenoising()，cv.fastNlMeansDenoisingColored()等，
理論
在前面的章節中，我們已經看到了許多影像平滑技術，例如高斯模糊，中值模糊等，它們在某種程度上可以消除少量噪聲，在這些技術中，我們在像素周圍采取了一個較小的鄰域，并進行了一些操作，例如高斯加權平均值，值的中位數等來替換中心元素，簡而言之，在像素處去除噪聲是其周圍的區域現象，
有噪聲的性質，
通常認為噪聲是零均值的隨機變數，考慮一個有噪聲的像素，\(p=p_0+n\)，其中\(p_0\)是像素的真實值，\(n\)是該像素中的噪聲，你可以從不同的影像中獲取大量相同的像素（例如N）并計算其平均值，理想情況下，由于噪聲的平均值為零，因此應該得到\(p = p_0\)，
你可以通過簡單的設定自己進行驗證，將靜態相機固定在某個位置幾秒鐘，這將為你提供很多幀或同一場景的很多影像，然后撰寫一段代碼，找到視頻中所有幀的平均值（這對你現在應該太簡單了），
比較最終結果和第一幀，你會看到噪聲減少，不幸的是，這種簡單的方法對攝像機和場景的運動并不穩健，通常，只有一張嘈雜的影像可用，
因此想法很簡單，我們需要一組相似的影像來平均噪聲，考慮影像中的一個小視窗（例如5x5視窗），
很有可能同一修補程式可能位于影像中的其他位置，有時在它周圍的一個小社區中，一起使用這些相似的補丁并找到它們的平均值怎么辦？對于那個特定的視窗，這很好，請參閱下面的示例圖片：
影像中的藍色補丁看起來很相似，綠色補丁看起來很相似，因此，我們獲取一個像素，在其周圍獲取一個小視窗，在影像中搜索相似的視窗，對所有視窗求平均，然后用得到的結果替換該像素，此方法是“非本地均值消噪”，與我們之前看到的模糊技術相比，它花費了更多時間，但是效果非常好，更多資訊和在線演示可在其他資源的第一個鏈接中找到，
對于彩色影像，影像將轉換為CIELAB色彩空間，然后分別對L和AB分量進行降噪，
OpenCV中的影像去噪
OpenCV提供了此方法的四個變體，
- cv.fastNlMeansDenoising()-處理單個灰度影像
- cv.fastNlMeansDenoisingColored()-處理彩色影像，
- cv.fastNlMeansDenoisingMulti()-處理在短時間內捕獲的影像序列（灰度影像）
- cv.fastNlMeansDenoisingColoredMulti()-與上面相同，但用于彩色影像，
常用引數為：
- h：決定濾波器強度的引數，較高的h值可以更好地消除噪點，但同時也可以消除影像細節，（可以設為10）
- hForColorComponents：與h相同，但僅用于彩色影像，（通常與h相同）
- templateWindowSize：應為奇數，（建議設為7）
- searchWindowSize：應為奇數，（建議設為21）
請訪問其他資源中的第一個鏈接，以獲取有關這些引數的更多詳細資訊，
我們將在此處演示2和3，剩下的留給你，
- cv.fastNlMeansDenoisingColored()
如上所述，它用于消除彩色影像中的噪點，（噪聲可能是高斯的），請參閱以下示例：
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('die.png')
dst = cv.fastNlMeansDenoisingColored(img,None,10,10,7,21)
plt.subplot(121),plt.imshow(img)
plt.subplot(122),plt.imshow(dst)
plt.show()
以下是結果的放大版本，我的輸入影像的高斯噪聲為\(σ= 25\)，查看結果：
- cv.fastNlMeansDenoisingMulti()
現在，我們將對視頻應用相同的方法，第一個引數是噪聲幀串列，第二個引數imgToDenoiseIndex指定我們需要去噪的幀，為此，我們在輸入串列中傳遞幀的索引，第三是temporalWindowSize，它指定要用于降噪的附近幀的數量，應該很奇怪，在那種情況下，總共使用temporalWindowSize幀，其中中心幀是要被去噪的幀，例如，你傳遞了一個5幀的串列作為輸入，令imgToDenoiseIndex = 2,temporalWindowSize =3，然后使用frame-1，frame-2和frame-3去噪frame-2，讓我們來看一個例子，
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
cap = cv.VideoCapture('vtest.avi')
# 創建5個幀的串列
img = [cap.read()[1] for i in xrange(5)]
# 將所有轉化為灰度
gray = [cv.cvtColor(i, cv.COLOR_BGR2GRAY) for i in img]
# 將所有轉化為float64
gray = [np.float64(i) for i in gray]
# 創建方差為25的噪聲
noise = np.random.randn(*gray[1].shape)*10
# 在影像上添加噪聲
noisy = [i+noise for i in gray]
# 轉化為unit8
noisy = [np.uint8(np.clip(i,0,255)) for i in noisy]
# 對第三幀進行降噪
dst = cv.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()
計算需要花費大量時間，結果，第一個影像是原始幀，第二個是噪聲幀，第三個是去噪影像，
附加資源
- http://www.ipol.im/pub/art/2011/bcm_nlm/ (它包含詳細資訊，在線演示等，強烈建議訪問，我們的測驗影像是從此鏈接生成的)
- Online course at coursera (這里拍攝的第一張圖片)
練習
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/31318.html
標籤：其他
上一篇：統計學-統計學方法三要素：策略