图像降噪

图像降噪，也称图像去噪（Image denoising）。
滤波是图像降噪的一种方法，但降噪不是滤波的唯一应用场合。

图像噪声

原图

常见图像噪声有以下四种：

高斯噪声	泊松噪声
乘性噪声	椒盐噪声

高斯噪声

高斯噪声，指概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。

泊松噪声

泊松噪声，指符合泊松分布的噪声模型。泊松分布适合描述单位时间内随机事件发生次数的概率分布。

乘性噪声

乘性噪声一般由信道不理想引起，它们与信号的关系是相乘的，信号在它在，信号不在时他也就不在了。

椒盐噪声

椒盐噪声，又称脉冲噪声，它随机改变一些像素值，是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声。

局部去噪

OpenCV中有多个可以降低图像噪声、对图像实现平滑滤波的函数，如

• blur：对各种噪声都有一定的抑制作用

• GaussianBlur：对随机噪声比较好，对椒盐噪声效果不好

• medianBlur：对椒盐噪声效果比较好

具体可参见：图像滤波

非局部去噪

在滤波技术里，通常取像素周围的一小部分邻域进行平滑滤波。对于非局部去噪技术，OpenCV提供了四种变体：

使用单个灰度图像：

函数原型：

def fastNlMeansDenoising(src, dst=None, h=None, templateWindowSize=None, searchWindowSize=None)

使用单个彩色图像

函数原型：

def fastNlMeansDenoisingColored(src, dst=None, h=None, hColor=None, templateWindowSize=None, searchWindowSize=None)

通用参数：

• h：值越大表示去噪声力度越大，同时细节丢失也越多，默认值为10

• hColor：与h相同，但仅适用于彩色图像，大小通常与h相同

• templateWindowSize：相似性权重计算窗口大小，一般为5～15之间的奇数

• searchWindowSize：搜索窗口，大小可以设置为相似性计算窗口大小的3～5倍的奇数

使用在短时间内捕获的图像序列（灰度图像）

函数原型：

def fastNlMeansDenoisingMulti(srcImgs, imgToDenoiseIndex, temporalWindowSize, dst=None, h=None, templateWindowSize=None, searchWindowSize=None) 

使用在短时间内捕获的图像序列（彩色图像）

函数原型：

def fastNlMeansDenoisingColoredMulti(srcImgs, imgToDenoiseIndex, temporalWindowSize, dst=None, h=None, hColor=None, templateWindowSize=None, searchWindowSize=None)

通用参数：

• srcImgs：带噪点的图像帧的列表

• imgToDenoiseIndex： 指定需要降噪的那一帧对应的索引。

• temporalWindowSize：指定多少个周围的帧用来去噪，奇数。（如，传入5帧图像列表，imgToDenoiseIndex = 2， temporalWindowSize = 5，即使用第0~4帧，来给第2帧去噪）

去噪效果对比

import cv2

def get_srcImgs():
	imgs = []
	imgs_gray = []
	videoCapture = cv2.VideoCapture("./test.mp4")
	videoCapture.set(cv2.CAP_PROP_POS_FRAMES, 90) 
	for i in range(3):
		success, img= videoCapture.read()
		gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
		imgs.append(img)
		imgs_gray.append(gray) 
	return imgs, imgs_gray

def show_GaussianBlur(img):
	gaussian = cv2.GaussianBlur(img, (5, 5), 0)
	gaussian_Canny = cv2.Canny(gaussian, 42, 42 * 3, apertureSize=3)
	cv2.imshow('gaussian kSize=5*5', gaussian)
	cv2.imshow('gaussian_Canny', gaussian_Canny)

def denoise(x):
	h = cv2.getTrackbarPos('h', 'denoise demo')
	tempSize = cv2.getTrackbarPos('size', 'denoise demo')
	searchSize = tempSize * 3

	if tempSize % 2 == 0:
		return

	denoise_color = cv2.fastNlMeansDenoisingColored(img, None, h, h, tempSize, searchSize)
	cv2.imshow('denoise color', denoise_color)

	denoise = cv2.fastNlMeansDenoising(gray, None, h, tempSize, searchSize)
	denoise_Canny = cv2.Canny(denoise, 42, 42 * 3, apertureSize=3)
	cv2.imshow('denoise', denoise)
	cv2.imshow('denoise_Canny', denoise_Canny)

	denoise_color_Multi = cv2.fastNlMeansDenoisingColoredMulti(imgs, 1, 3, None, h, h, tempSize, searchSize)
	cv2.imshow('denoise_color_Multi', denoise_color_Multi)

	denoise_Multi = cv2.fastNlMeansDenoisingMulti(imgs_gray, 1, 3, None, h, tempSize, searchSize)
	denoise_Multi_Canny = cv2.Canny(denoise_Multi, 42, 42 * 3, apertureSize=3)
	cv2.imshow('denoise_Multi', denoise_Multi)
	cv2.imshow('denoise_Multi_Canny', denoise_Multi_Canny)

h = 9
size = 9

imgs, imgs_gray = get_srcImgs()
img = cv2.imread("./frame_91.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

cv2.namedWindow('denoise demo')
cv2.imshow('denoise demo', img)
cv2.createTrackbar('h', 'denoise demo', h, 30, denoise)
cv2.createTrackbar('size', 'denoise demo', size, 15, denoise)

show_GaussianBlur(img)

denoise(0)
if cv2.waitKey(0) == 27:
	cv2.destroyAllWindows()