因为概率论的作业,研究了一下最简单的高斯图像去噪原理,其实就是对于卷积和高斯分布最基本的应用。最基本的思路就是生成一个高斯核(Gaussian kernel),再对图像做卷积。对于一个二维的高斯分布,只要窗宽是正的,那么高斯核矩阵是一个非常对称的结构,所以完全不必在意卷积过程中,矩阵对称和旋转的过程。当然这里讨论的是最单纯的情况,对于去噪的优化如果需要用的不对称的情况,可能需要考虑更复杂的情形。
下面我们用python生成高斯核:并且做出对应图像:
import numpy as np
sigma=1#设定均值和方差
X = np.linspace(start, end,100)
Y = np.linspace(start, end,100)
x,y=np.meshgrid(X,Y)
R = 1/(2*np.pi*sigma**2)*np.exp(-((x-mean_x)**2+(y-mean_y)**2)/(2*sigma**2))
我们选择的高斯分布函数在x和y两个维度都是标准正态分布。从数学上不难推到,两个高斯分布形成的二维联合分布依然是高斯分布。结合高斯分布的基本图像,我们不难发现一些规律。
结合上述两张图像不难看出,高斯分布随机变量的取值主要落在3倍sigma的区间,因此高斯核的大小也就是窗宽一般满足3倍sigma的原则。
下面给出高斯去噪的基本代码:
from PIL import Image
import numpy as np
def gaussian_kernel(kernel_size):
start=-1
end=1
mean_x = 0
mean_y = 0
sigma=1#均值为0,方差为1
X = np.linspace(start, end,kernel_size)
Y = np.linspace(start, end,kernel_size)
x, y = np.meshgrid(X, Y)
gaussian=1/(2*np.pi*sigma**2)*np.exp(-((x-mean_x)**2+(y-mean_y)**2)/(2*sigma**2))
return gaussian
#获取灰度值
def gaussian(img, x, y,bandrange):
tmp_gaussian = gaussian_kernel(bandwidth)
tmp=0
for i in range(x - bandrange, x + bandrange):
for j in range(y - bandrange, y + bandrange):
tmp = tmp + img.getpixel((i, j))*tmp_gaussian[i-(x-bandrange)][j-(y-bandrange)] # 取出灰度值
return int(tmp)+60#调亮
def denoise_gaussian(path1, path2,bandwidth):
img1 = Image.open(path1)
img1 = img1.convert('L') # 将图像1转换为灰度图
w, h = img1.size
img2 = Image.new('L', (w, h), 'white') # 图像2
for x in range(bandrange, w -bandrange):
for y in range(bandrange, h - bandrange):
c = gaussian(img1, x, y,bandrange) # 求中值
img2.putpixel((x, y), c) # 将灰度设置为中值
img2.save(path2)
path1 = "noise1.jpg" # 带噪声的图像
path2 = "3(1)+60.jpg" # 降噪后的图像
denoise_gaussian(path1, path2,bandwidth)
实验发现,最基本的高斯去噪对图片的亮度具有明显的破坏,因此在最后予以图像提亮操作。