图像噪声的过滤

图像噪声
图像噪声是图像在获取或传输的过程中受到随机信号的干扰，在图像上出现的一些随机的、离散的、孤立的像素点，这些点会干扰人眼对图像信息的分析。图像的噪声通常是比较复杂的，很多时候将其看成是多维随机过程，因而可以借助于随即过程描述噪声，即使用概率分布函数和概率密度函数。

图像的噪声很多，性质也千差万别， 可以通过不同的方法给噪声分类。
按照产生的原因：

外部噪声
内部噪声

这种分类方法，有助于理解噪声产生的源头，但对于降噪算法只能起到原理上的帮组。

噪声和图像信号的关系，可以分为：

加性噪声，加性噪声和图像信号强度不相关，这类噪声可以看着理想无噪声图像f和噪声的和。
乘性噪声，乘性噪声和图像信号是相关的，往往随图像信号的变化而变化。 而为了分析处理的方便，常常将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相独立的。
按照概率密度函数（PDF）分类：

高斯噪声，高斯噪声模型经常被用于实践中。
脉冲噪声（椒盐噪声），图像上一个个点，也可称为散粒和尖峰噪声。
伽马噪声
瑞利噪声
指数分布噪声
均匀分布噪声
这种分类方法，引入了数学模型，对设计过滤算法比较有帮助。
给图像添加噪声
按照指定的噪声类型，生成一个随机数，然后将这个随机数加到源像素值上，并将得到的值所放到[0,255]区间即可。

C++11 随机数发生器
我在噪声的加成上用的是C++11新标准下的随机数生成方法
新的随机数生成器被抽象成了两个部分：随机数生成引擎和要生成的随机数符合的分布。
随机数引擎有三种：

linear_congruential_engine 线性同余算法
mersenne_twister_engine 梅森旋转算法
subtract_with_carry_engine 带进位的线性同余算法
第一种最常用，而且速度比较快；第二种号称最好的伪随机数生成器

std::random_device rd; // 随机数种子
std::mt19937 mt(rd()); // 随机数引擎
std::normal_distribution<> d(5,20); // 高斯分布

std::map<int,int> hist;
for(int n = 0; n < 10000; n ++)
++hist[std::round(d(mt))]; // 生成符合高斯分布的随机数
1
2
3
4
5
6
7
8
以上为生成符合高斯分布的随机数

添加图像噪声
使用C++的随机数发生器为图像添加两种噪声：椒盐噪声和高斯噪声。
对了，记得要用这个随机数产生的话，请#include，用法请自行百度
椒盐噪声是图像中离散分布的白点或者黑点，测试代码如下：

void addSaltNoise(Mat &m, int num)
{ // 随机数产生器
std::random_device rd; //种子
std::mt19937 gen(rd()); // 随机数引擎

auto cols = m.cols * m.channels();

for (int i = 0; i < num; i++)
{
    auto row = static_cast<int>(gen() % m.rows);
    auto col = static_cast<int>(gen() % cols);

    auto p = m.ptr<uchar>(row);
    p[col++] = 255;
    p[col++] = 255;
    p[col] = 255;
}

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
高斯噪声是一种加性噪声，为图像添加高斯噪声的代码如下：

//添加高斯噪声
//用指针进行像素点的访问
void addGaussianNoise(Mat & img, const int& mu,const int & sigma)
{
auto cols = img.cols*img.channels();
auto rows = img.rows;
// 产生Gauss分布随机数发生器
std::random_device rd;
std::mt19937 gen(rd());

std::normal_distribution<> gaussR(mu, sigma);
for (int i = 0; i < rows; i++)
{
    auto p = img.ptr<uchar>(i);
    for (int j = 0; j < cols; j++)
    {
        auto tmp = p[j] + gaussR(gen);
        tmp = tmp > 255 ? 255 : tmp;
        tmp = tmp < 0 ? 0 : tmp;
        p[j] = tmp;
    }
}

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
以下为运行结果：

左边是原始图片，中间是椒盐噪声模糊之后的图像，最后是高斯模糊之后的图像

使用滤波器去除噪声
根据噪声类型的不同，选择不同的滤波器过滤掉噪声。通常，对于椒盐噪声，选择中值滤波器（Median Filter），在去掉噪声的同时，不会模糊图像；对于高斯噪声，选择均值滤波器（Mean Filter），能够去掉噪声，但会对图像造成一定的模糊。
在OpenCV中，对应于均值滤波器的函数是blur，该函数需要5个参数，通常只设置前3个后两个使用默认值即可。
blur(m, m2, Size(5, 5));第一个参数是输入的图像，第二个参数是输出的图像，第三个参数是滤波器的大小，这里使用的是5×5的矩形。

对应于中值滤波器的函数是medianBlur(m1, m3, 5);前两个参数是输入输出的图像，第三个参数是滤波器的大小，由于是选取的是中值，滤波器的大小通常是一个奇数。

下图是对有噪声图像使用滤波器后的结果，中间的是原始图像，左边的是使用均值滤波器过滤高斯噪声后的结果；右边的是使用中值滤波器过滤椒盐噪声后的结果。可以明显的看出，这两种滤波器都能够很好的去掉图像的噪声，但会对图像造成一定的模糊，尤其是均值滤波器造成的模糊比较明显。