动态二维码中值滤波处理_【动手学计算机视觉】第一讲：图像预处理之图像去噪...

最新推荐文章于 2022-07-14 17:03:24 发布

康少妈爱康少

最新推荐文章于 2022-07-14 17:03:24 发布

阅读量397

点赞数

文章标签：动态二维码中值滤波处理

本文链接：https://blog.csdn.net/weixin_42306699/article/details/112559206

版权

本文介绍了计算机视觉中的图像去噪基础，强调理解图像内部结构的重要性。首先，讨论了噪声的类型，如椒盐噪声、加性噪声等。接着，提到了去噪方法，如均值滤波、中值滤波和高斯滤波。重点讲述了中值滤波的原理，它是通过窗口内像素值排序后取中值来减少噪声。最后，提供了使用Python的scikit-image和opencv库进行图像去噪的编程实践。

摘要由CSDN通过智能技术生成

暗中观察

默默关注

很多人想入门AI，可是AI包含很多方向，我建议首先应该明确的选择一个方向，然后有目标、有针对的去学习。

计算机视觉作为目前AI领域研究较多、商业应用较为成功的一个方向，这几年也是非常火热，无论是学术界还是企业界，学术界有CVPR、ICCV、ECCV等顶刊，企业界对计算机视觉领域的人口需求也非常的大，因此，我从计算机视觉这个方向开始着手AI教程。

介绍

最近几年计算机视觉非常火，也出现了很多成熟的卷积神经网络模型，比如R-CNN系列、SSD、YOLO系列，而且，这些模型在github上也有很多不错的开源代码，所以，很多入门计算机视觉的人会早早的克隆下开源代码、利用tensorflow或pytorch搭建计算机视觉平台进行调试。

我个人不推崇这种方式，我更推崇对图像底层的技术有一些了解，比如图像去噪、图像分割等技术，这有几点好处：

对图像内部的结构有更清晰的认识
这些技术可以用于计算机视觉预处理或后处理，能够有助于提高计算机视觉模型精度

第一讲，我从图像去噪开始说起，图像去噪是指减少图像中造成的过程。现实中的图像会受到各种因素的影响而含有一定的噪声，噪声主要有以下几类：

椒盐噪声
加性噪声
乘性噪声
高斯噪声

图像去噪的方法有很多种，其中均值滤波、中值滤波等比较基础且成熟，还有一些基于数学中偏微分方程的去噪方法，此外，还有基于频域的小波去噪方法。均值滤波、中值滤波这些基础的去噪算法以其快速、稳定等特性，在项目中非常受欢迎，在很多成熟的软件或者工具包中也集成了这些算法，下面，我们就来一步一步实现以下。

编程实践

1完整代码地址：
2https://github.com/jakpopc/aiLearnNotes/blob/master/computer_vision/image_denoising.py
3requirement:scikit-image/opencv/numpy

首先读取图像，图像来自于voc2007:

1img = cv2.imread("../data/2007_001458.jpg")
2cv2.imshow("origin_img", img)
3cv2.waitKey()

生成噪声图像，就是在原来图像上加上一些分布不规律的像素值，可以自己用随机数去制造噪声，在这里，就用Python第三方库scikit-image的random_noise添加噪声：

方法1：

1noise_img = skimage.util.random_noise(img, mode="gaussian")
2# mode是可选参数：分别有'gaussian'、'localvar'、'salt'、'pepper'、's&p'、'speckle'，可以选择添加不同的噪声类型。

方法2：

也可以自己生成噪声，与原图像进行加和得到噪声图像：

1def dd_noise(img):
2    img = np.multiply(img, 1. / 255,
3                        dtype=np.float64)
4    mean, var = 0, 0.01
5    noise = np.random.normal(mean, var ** 0.5,
6                             img.shape)
7    img = convert(img, np.floating)
8    out = img + noise
9    return out

最后是图像去噪，图像去噪的算法有很多，有基于偏微分热传导方程的，也有基于滤波的，其中基于滤波的以其速度快、算法成熟，在很多工具包中都有实现，所以使用也就较多，常用的滤波去噪算法有以下几种：

中值滤波
均值滤波
高斯滤波

滤波的思想和这两年在计算机视觉中用的较多的卷积思想类似，都涉及窗口运算，只是卷积是用一个卷积核和图像中对应位置做卷积运算，而滤波是在窗口内做相应的操作，

以均值滤波为例，

对图像中每个像素的像素值进行重新计算，假设窗口大小ksize=3，图像中棕色的"5"对应的像素实在3*3的邻域窗口内进行计算，对于均值滤波就是求3*3窗口内所有像素点的平均值，也就是

同理，对于中值滤波就是把窗口内像素按像素值大小排序求中间值，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到，

下面开始编写去噪部分的代码：

方法1：

可以使用opencv这一类工具进行去噪：

1# 中值滤波
2denoise = cv2.medianBlur(img, ksize=3)
3# 均值滤波
4denoise = cv2.fastNlMeansDenoising(img, ksize=3)
5# 高斯滤波
6denoise = cv2.GaussianBlur(img, ksize=3)

方法2：

编程一步一步实现图像去噪，首先是计算窗口邻域内的值，这里以计算中值为例：

1def compute_pixel_value(img, i, j, ksize, channel):
2    h_begin = max(0, i - ksize // 2)
3    h_end = min(img.shape[0], i + ksize // 2)
4    w_begin = max(0, j - ksize // 2)
5    w_end = min(img.shape[1], j + ksize // 2)
6    return np.median(img[h_begin:h_end, w_begin:w_end, channel])

然后是去噪部分，对每个像素使用compute_pixel_value函数计算新像素的值：

1def denoise(img, ksize):
2    output = np.zeros(img.shape)
3    for i in range(img.shape[0]):
4        for j in range(img.shape[1]):
5            output[i, j, 0] = compute_pixel_value(img, i, j, ksize, 0)
6            output[i, j, 1] = compute_pixel_value(img, i, j, ksize, 1)
7            output[i, j, 2] = compute_pixel_value(img, i, j, ksize, 2)
8    return output