OpenCV小例程——图像去噪
文章目录
- 目标
- 理论
- OpenCV中的图像去噪
- 1. cv2.fastNlMeansDenoisingColored()
- 2. cv2.fastNlMeansDenoisingMulti()
- 参考
图像降噪
目标
在本章中,
您将了解非局部平均去噪算法(Non-local Means Denoising algorithm)来消除图像中的噪声。
您将看到不同的函数,如cv2.fastnlmeansdenosing()、cv2.fastnlmeansdenosingcolored()等。
理论
在前面的章节中,我们看到了许多图像平滑技术,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,我们在一个像素周围取一个小的邻域,然后进行高斯加权平均、中值等操作来替换中心元素。简而言之,一个像素的噪声消除是在它的附近进行的。
噪声的特性。噪声一般被认为是平均值为零的随机变量。考虑一个有噪声的像素,p=p0+n,其中p0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(例如n),并计算它们的平均值。理想情况下,你应该得到p=p0,因为噪声的平均值是零。
可以通过一个简单的设置来验证它。将静态摄像头固定在某个位置几秒钟。这将为您提供大量的帧或相同场景的大量图像。然后写一段代码,找出视频中所有帧的平均值(这对您来说应该太简单了)。比较最终结果和第一帧。你可以看到噪音的减少。不幸的是,这种简单的方法对运动的摄像机和场景不具有鲁棒性。通常只有一张噪声图像时才可用。
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)。同一个补丁可能在图像中的其他地方,这种可能性很大。有时在它周围的一个小街区。把这些相似的补丁放在一起,找出它们的平均值怎么样?对于那个特定的窗户,那就好了。请参见下面的示例图像:
图像中的蓝色斑块看起来很相似。绿色斑块看起来很相似。所以我们取一个像素,在它周围取一个小窗口,搜索图像中类似的窗口,平均所有窗口,用我们得到的结果替换像素。该方法是一种非局部平均去噪方法。与我们之前看到的模糊技术相比,它需要更多的时间,但是它的效果非常好。更多详细信息和在线演示可以在附加资源的第一个链接中找到。
对于彩色图像,将图像转换为CIELAB颜色空间,然后分别对L和AB分量进行去噪。
OpenCV中的图像去噪
opencv提供了这种技术的四种变体。
cv2.fastnlmeansdenosing()-用于单个灰度图像
cv2.fastnlmeansdenisingcolored()-用于彩色图像。
cv2.fastnlmeansdenisingmulti()-处理短时间内捕获的图像序列(灰度图像)
cv2.fastnlmeansdenisingcoloredmulti()-与上面相同,但用于彩色图像。
常见的参数有:
h:决定过滤强度的参数。较高的H值可以更好地去除噪声,但也可以去除图像的细节。(可以为10)hforcolorcomponents:与h相同,但仅用于彩色图像。(通常与H相同)TemplateWindowsize:应该是奇数。(建议为7)SearchWindowsize:应该是奇数。(建议为21)
有关这些参数的详细信息,请访问附加资源中的第一个链接。
1. cv2.fastNlMeansDenoisingColored()
如上所述,它用于去除彩色图像中的噪声。(噪声预计为高斯噪声)。见下例:
import numpy as np
import cv2
from matplotlib import pyplot as pltimg = 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()
输入图像有一个高斯噪声,它是sigma=25
效果图如下:
2. cv2.fastNlMeansDenoisingMulti()
我们将对视频应用相同的方法。第一个参数是噪声帧列表。第二个参数imgToDenoiseIndex指定了需要去噪的帧,因为我们传递了输入列表中帧的索引。第三个是temporalWindowSize,它指定要用于去噪的相邻帧的数量。这应该很奇怪。在这种情况下,总共使用临时窗口大小的框架,其中中心框架是要去噪的框架。例如,您传递了一个5帧的列表作为输入。设imgToDenoiseIndex=2,temporalWindowSize=3。然后用帧1、帧2和帧3对帧2进行去噪。让我们看一个例子。
import numpy as np
import cv2
from matplotlib import pyplot as pltcap = cv2.VideoCapture('vtest.avi')# 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()
计算需要相当长的时间。结果表明,第一幅图像是原始帧,第二幅图像是噪声图像,第三幅图像是去噪图像。
参考
1.http://www.ipol.im/pub/art/2011/bcm_nlm/ (It has the details, online demo etc. Highly recommended to visit. Our test image is generated from this link)
2.Online course at coursera (First image taken from here)
OpenCV小例程——图像去噪相关推荐
- OpenCV小例程——分区域不同的显示视频
文章目录 目标 视频效果图 Python3代码分区域显示视频 Python3+OpenCV在一个显示画面上同时显示两个不同的视频,希望能给需要的你提供个思路. 目标 在一个显示画面上同时显示两个不同的 ...
- OpenCV系列之图像去噪 | 五十八
目标 在本章中, 你将学习用于去除图像中噪声的非局部均值去噪算法. 你将看到不同的函数,例如cv.fastNlMeansDenoising(),cv.fastNlMeansDenoisingColor ...
- OpenCV小部件的姿势Pose of a widget
OpenCV小部件的姿势 小部件的姿势 目标 代码 解释 小部件的姿势 目标 在本教程中,您将学习如何 将小部件添加到可视化窗口 使用Affine3设置小部件的姿势 沿轴旋转和平移窗口小部件 代码 # ...
- python+opencv别踩白块儿游戏辅助,一天一个opencv小项目(已开源)
python+opencv别踩白块儿游戏辅助,一天一个opencv小项目(已开源) 见链接
- 【图像去噪】基于matlab GUI butterworth+中值+维纳+小波图像去噪【含Matlab源码 520期】
⛄一.获取代码方式 获取代码方式1: 完整代码已上传我的资源:[图像去噪]基于matlab GUI butterworth+中值+维纳+小波图像去噪[含Matlab源码 520期] 获取代码方式2: ...
- 基于小波图像去噪的MATLAB实现
基于小波图像去噪的MATLAB实现 一.课题背景 数字图像处理(Digital Image Processing,DIP)是指用计算机辅助技术对图像信号进行处理的过程.数字图像处理最早出现于 20世纪 ...
- 应用小波图像去噪的Matlab 实现
小波图像去噪的方法大概分为3类 1:基于小波变换摸极大值原理 2:基于小波变换系数的相关性 3:基于小波阈值的去噪. 基于小波阈值的去噪方法3个步骤: 1: 计算含噪声图像的小波变换.选择合适的小波基 ...
- opencv光流例程_OpenCV 4.4 发布!新增YOLOv4 和 EfficientDet 推断支持
新增特性: 1. 支持 YOLOv4! OpenCV一直对较为实用的YOLO系列算法情有独钟. 2. ONNX增加支持Resnet_backbone 3. 支持谷歌目标检测算法 EfficientDe ...
- opencv小程序:全景拼接
SIFT 特征检测 Scale-invariant feature transform 是以一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner p ...
最新文章
- PHP5 VC9、VC6、Thread Safe、Non Thread Safe各个版本区别
- jquery遍历集合数组标签
- ActiveReports 报表中 RDF 文件解析
- nohup不输出日志信息的方法,及linux重定向学习
- 单片机烧录软件编写_单片机技术系列之一:单片机概述
- 第48讲:分布式利器 Scrapy-Redis 原理
- kaggle中zillow比赛中模型融合的方法及其代码
- exec su-exec_WildFly Kubernetes exec探针
- ssb门限_画出滤波法ssb信号调制器模型,并说明低通和高通滤波器分别得到哪个边带信号...
- UVa 11475 - Extend to Palindrome
- GMaps.js:让你快速集成 Google Maps 服务的 jQuery 插件
- NO.47 确定项目要完成的需求列表
- winform中的小技巧【自用】
- orangepi设置vnc开机自启动
- 使用Mybatis实例
- 开发对接微信卡包会员卡_微信公众号实现会员卡领取功能
- 微信小程序 - 基本原理
- python怎么退出全屏模式_notepad
- 【搬运工】值得一提的生活窍门
- LONG 类型与TO_LOB函数