十五天掌握OpenCV——计算摄影学—图像去噪

Aim:使用非局部平均值去噪算法去除图像中的噪音
学习函数cv2.fastNlMeansDenoising（） ，cv2.fastNlMeansDenoising（）

原理

1. 图像平滑技术（噪声小时）：高斯平滑、中值平滑
2. 选取像素周围一个小的邻域，再用高斯平均值或者中值平均值取代中心像素。所以：像素级别的噪声去除限制在局部邻域。
3. 噪声性质：平均值唯一的随机变量。
4. 带噪声的像素点：p=p0+n，p0像素真实值，n像素噪声。从不同图片中选取大量相同像素，计算平均值。理想情况：p=p0，噪声平均值是0.
5. 非局部平均值去噪：对一组相似的图片，通过取平均值的方法去除噪音。对图片取5×5的小窗口，寻找其他相似窗口，再求所有窗口平均值，以平均值代替目标像素的值。
6. 算法占内存大，但结果质量高。

OpenCV中的图像去噪

1. cv2.fastNlMeansDenoising() 使用对象是灰度图
2. cv2.fastNlMeansDenoisingColored() 使用对象是彩色图
3. cv2.fastNlMeansDenoisingMulti() 适用于短时间的灰度图像序列
4. cv2.fastNlMeansDenoisingColoredMulti() 适用于短时间的彩色图像序列

共同参数：
h：决定过滤器强度。h值高可以很好去除噪声，但也会抹去图像细节。
hForColorComponents：与h效果一样，适用于彩色图像。
templateWindowSize：奇数。推荐值7.
searchWindowsSize：奇数。推荐值21.

cv2.fastNlMeansDenoisingColored()

#coding=utf-8
import cv2
import numpy as np
from matplotlib import pyplot as plt

img=cv2.imread('./image2/tuxiangxue1.jpg')
dst=cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21)

plt.subplot(121),plt.imshow(img)
plt.subplot(122),plt.imshow(dst)
plt.show()

cv2.fastNlMeansDenoisingMulti()

参数一：噪声帧列表；
参数二：imgtoDenoiseIndex 设定需要去噪的帧，可用通过传入帧的索引。
参数三：temporaWindowSize 设置用于去噪的相邻帧的数目，为奇数。此帧用于去噪，中间帧为要去噪的帧。
举例：传入5帧图像，imgToDenoiseIndex=2和temporaWindowSize=3，第一二三帧图像用于对第二帧图像去噪。

#coding=utf-8
import cv2
import numpy as np
from matplotlib import pyplot as plt

cap=cv2.VideoCapture('./video/dali.mp4')

img=[cap.read()[1] for i in range(5)]

gray=[cv2.cvtColor(i,cv2.COLOR_BGR2GRAY) for i in img]

gray=[np.float64(i) for i in gray]

noise=np.random.randn(*gray[1].shape)*10

noisy=[i+noise for i in gray]

noisy=[np.uint8(np.clip(i,0,255)) for i in noisy]

dst=cv2.fastNlMeansDenoisingMulti(noisy,2,5,None,4,7,35)

plt.subplot(131),plt.imshow(gray[2],'gray')
plt.subplot(132),plt.imshow(noisy[2],'gray')
plt.subplot(133),plt.imshow(dst,'gray')
plt.show()

左：原始图 中：带噪音 右：去噪音