图像去噪

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.fastNlMeansDenoisingColored()等。

理论

在前面的章节中,我们已经看到了许多图像平滑技术,例如高斯模糊,中值模糊等,它们在某种程度上可以消除少量噪声。在这些技术中,我们在像素周围采取了一个较小的邻域,并进行了一些操作,例如高斯加权平均值,值的中位数等来替换中心元素。简而言之,在像素处去除噪声是其周围的局部现象。 有噪声的性质。

通常认为噪声是零均值的随机变量。考虑一个有噪声的像素,p=p_0+n,其中p_0是像素的真实值,n是该像素中的噪声。你可以从不同的图像中获取大量相同的像素(例如N)并计算其平均值。理想情况下,由于噪声的平均值为零,因此应该得到p = p_0

你可以通过简单的设置自己进行验证。将静态相机固定在某个位置几秒钟。这将为你提供很多帧或同一场景的很多图像。然后编写一段代码,找到视频中所有帧的平均值(这对你现在应该太简单了)。 比较最终结果和第一帧。你会看到噪声减少。不幸的是,这种简单的方法对摄像机和场景的运动并不稳健。通常,只有一张嘈杂的图像可用。

因此想法很简单,我们需要一组相似的图像来平均噪声。考虑图像中的一个小窗口(例如5x5窗口)。 很有可能同一修补程序可能位于图像中的其他位置。有时在它周围的一个小社区中。一起使用这些相似的补丁并找到它们的平均值怎么办?对于那个特定的窗口,这很好。请参阅下面的示例图片:

图像中的蓝色补丁看起来很相似。绿色补丁看起来很相似。因此,我们获取一个像素,在其周围获取一个小窗口,在图像中搜索相似的窗口,对所有窗口求平均,然后用得到的结果替换该像素。此方法是“非本地均值消噪”。与我们之前看到的模糊技术相比,它花费了更多时间,但是效果非常好。更多信息和在线演示可在其他资源的第一个链接中找到。

对于彩色图像,图像将转换为CIELAB色彩空间,然后分别对L和AB分量进行降噪。

OpenCV中的图像去噪

OpenCV提供了此方法的四个变体。

  1. cv.fastNlMeansDenoising()-处理单个灰度图像
  2. cv.fastNlMeansDenoisingColored()-处理彩色图像。
  3. cv.fastNlMeansDenoisingMulti()-处理在短时间内捕获的图像序列(灰度图像)
  4. cv.fastNlMeansDenoisingColoredMulti()-与上面相同,但用于彩色图像。

常用参数为: - h:决定滤波器强度的参数。较高的h值可以更好地消除噪点,但同时也可以消除图像细节。(可以设为10) - hForColorComponents:与h相同,但仅用于彩色图像。(通常与h相同) - templateWindowSize:应为奇数。(建议设为7) - searchWindowSize:应为奇数。(建议设为21)

请访问其他资源中的第一个链接,以获取有关这些参数的更多详细信息。 我们将在此处演示2和3。剩下的留给你。

  1. cv.fastNlMeansDenoisingColored() 如上所述,它用于消除彩色图像中的噪点。(噪声可能是高斯的)。请参阅以下示例:
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()

以下是结果的放大版本。我的输入图像的高斯噪声为σ= 25。查看结果:

  1. cv.fastNlMeansDenoisingMulti() 现在,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指定我们需要去噪的帧,为此,我们在输入列表中传递帧的索引。第三是temporalWindowSize,它指定要用于降噪的附近帧的数量。应该很奇怪。在那种情况下,总共使用temporalWindowSize帧,其中中心帧是要被去噪的帧。例如,你传递了一个5帧的列表作为输入。令imgToDenoiseIndex = 2,temporalWindowSize =3。然后使用frame-1frame-2frame-3去噪frame-2。让我们来看一个例子。
    import numpy as np
    import cv2 as cv
    from matplotlib import pyplot as plt
    cap = cv.VideoCapture('vtest.avi')
    # 创建5个帧的列表
    img = [cap.read()[1] for i in range(5)]
    # 将所有转化为灰度
    gray = [cv.cvtColor(i, cv.COLOR_BGR2GRAY) for i in img]
    # 将所有转化为float64
    gray = [np.float64(i) for i in gray]
    # 创建方差为25的噪声
    noise = np.random.randn(*gray[1].shape)*10
    # 在图像上添加噪声
    noisy = [i+noise for i in gray]
    # 转化为unit8
    noisy = [np.uint8(np.clip(i,0,255)) for i in noisy]
    # 对第三帧进行降噪
    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()
    

计算需要花费大量时间。结果,第一个图像是原始帧,第二个是噪声帧,第三个是去噪图像。

附加资源

  1. http://www.ipol.im/pub/art/2011/bcm_nlm/ (它包含详细信息,在线演示等。强烈建议访问。我们的测试图像是从此链接生成的)
  2. Online course at coursera (这里拍摄的第一张图片)

练习