图像加减运算

最新推荐文章于 2024-07-01 13:40:14 发布

Sylvan Ding

最新推荐文章于 2024-07-01 13:40:14 发布

阅读量2.5k

点赞数

分类专栏：计算机视觉（CV方向）数字图像处理文章标签：计算机视觉

©SylvanDing

本文链接：https://blog.csdn.net/iyxuan/article/details/124541080

版权

计算机视觉（CV方向）同时被 2 个专栏收录

13 篇文章 19 订阅

订阅专栏

数字图像处理

5 篇文章 0 订阅

订阅专栏

图像的加减运算

原创文章：转载请注明出处 ©️ Sylvan Ding

图像相加

图像相加常常被用来进行图片降噪处理。令 $g (x, y)$ 是无噪声理想图像 $f (x, y)$ 被高斯加性噪声 $\eta (x,y)$ 污染后的图像，即

$g(x,y)=f(x,y)+\eta (x,y)$

其中， $\eta$ 为 $\mu =0$ 、 $\sigma ^2 =\sigma ^2 _\eta$ 的高斯加性噪声，且 $\eta$ 与 $f$ 不相关，那么通过对有噪图像进行平均，可以得到 $\bar{g}(x,y)$ ：

$\bar{g}(x,y)=\frac{1}{K}\sum _{i=1} ^K g_i(x,y)$

其中， $K$ 是有噪图像张数，不难证明：

$E\{ \bar{g}(x,y) \}=f(x,y)$

$\sigma _{\bar{g}} = \frac{1}{\sqrt{K}} \sigma _{\eta }$

其中， $E\{ \bar{g} \}$ 是 $\bar{g}$ 的期望， $\sigma _{\bar{g}}$ 是 $\bar{g}$ 的标准差。上式表明，当 $K$ 不断增大， $\sigma _{\bar{g}}$ 将不断减小， $\bar{g}$ 越来越接近 $f$ .

证明如下：

$\begin{array}{c} & E\{ \bar{g} \} = E\{ \frac{1}{K} \sum _{i=1} ^K [f_i+\eta _i] \} \\ & = \frac{1}{K} \sum _{i=1} ^K [E\{ f_i\}+E\{ \eta _i\}] = f \end{array}$

$\begin{array}{c} \sigma ^2 _{\bar{g}} &=& Var\{ \frac{1}{K} \sum _{i=1} ^K [f_i+\eta _i] \} \\ &=& \frac{1}{K^2} Var\{ \sum _{i=1} ^K [f_i+\eta _i] \} \\ &=& \frac{1}{K^2} \sum _{i=1} ^K [Var\{ f_i \}+Var\{\eta _i\}] \\ &=& \frac{1}{K^2} K \sigma ^2 _{\eta } \\ &=& \frac{1}{K} \sigma ^2 _{\eta } \end{array}$

import cv2
import numpy as np
import matplotlib.pyplot as plt

mu = .0
sigma = 128.0

# show original img and img with noise obeying N(0, 16384),
# perhaps some pixel value is over 255 after adding noise

img = 'lena_gray.bmp'

f = cv2.imread(img, cv2.IMREAD_GRAYSCALE)
eta = mu + sigma * np.random.rand(f.shape[0], f.shape[1])
g = f + eta

plt.subplot(121)
plt.imshow(f, cmap='gray')
plt.subplot(122)
plt.imshow(g, cmap='gray')
plt.show()

左图为原图，右图为当噪声 $\sigma _\eta =128$ 时的有噪图像.

分别对 $K\in \{4,16,32,64 \}$ 进行平均降噪.

在这里插入图片描述

K = [4, 16, 32, 64]

etai = mu + sigma * np.random.rand(f.shape[0], f.shape[1], 128)

fig, axs = plt.subplots(2, 2, figsize=(7, 7))
for i in range(2):
    for j in range(2):
        eta = np.mean(etai[:, :, :K[i*2+j]], axis=2)
        g = f + eta
        ax = axs[i][j]
        ax.set_title('K={}'.format(str(K[i*2+j])))
        ax.imshow(g, cmap='gray')
plt.show()