图像降噪
目标
在本章中,
您将了解非局部平均去噪算法(Non-local Means Denoising algorithm)来消除图像中的噪声。
您将看到不同的函数,如cv2.fastnlmeansdenosing()、cv2.fastnlmeansdenosingcolored()等。
理论
在前面的章节中,我们看到了许多图像平滑技术,如高斯模糊、中值模糊等,它们在一定程度上可以很好地去除少量的噪声。在这些技术中,我们在一个像素周围取一个小的邻域,然后进行高斯加权平均、中值等操作来替换中心元素。简而言之,一个像素的噪声消除是在它的附近进行的。
噪声的特性。噪声一般被认为是平均值为零的随机变量。考虑一个有噪声的像素,p=p0+n,其中p0是像素的真实值,n是该像素中的噪声。您可以从不同的图像中获取大量相同的像素(例如n),并计算它们的平均值。理想情况下,你应该得到p=p0,因为噪声的平均值是零。
可以通过一个简单的设置来验证它。将静态摄像头固定在某个位置几秒钟。这将为您提供大量的帧或相同场景的大量图像。然后写一段代码,找出视频中所有帧的平均值(这对您来说应该太简单了)。比较最终结果和第一帧。你可以看到噪音的减少。不幸的是,这种简单的方法对运动的摄像机和场景不具有鲁棒性。通常只有一张噪声图像时才可用。
所以想法很简单,我们需要一组相似的图像来平均噪音。考虑图像中的一个小窗口(比如5x5窗口)。同一个补丁可能在图像中的其他地方,这种可能性很大。有时在它周围的一个小街区。把这些相似的补丁放在一起,找出它们的平均值怎么样?对于那个特定的窗户,那就好了。请参见下面的示例图像:
图像中的蓝色斑块看起来很相似。绿色斑块看起来很相似。所以我们取一个像素,在它周围取一个小窗口,搜索图像中类似的窗口,平均所有窗口,用我们得到的结果替换像素。该方法是一种非局部平均去噪方法。与我们之前看到的模糊技术相比,它需要更多的时间,但是它的效果非常好。更多详细信息和在线演示可以在附加资源的第一个链接中找到。
对于彩色图像,将图像转换为CIELAB颜色空间,然后分别对L和AB分量进行去噪。
OpenCV中的图像去噪
opencv提供了这种技术的四种变体。
cv2.fastnlmeansdenosing()-用于单个灰度图像
cv2.fastnlmeansdenisingcolored()-用于彩色图像。
cv2.fastnlmeansdenisingmulti()-处理短时间内捕获的图像序列(灰度图像)
cv2.fastnlmeansdenisingcoloredmulti()-与上面相同,但用于彩色图像。
常见的参数有:
h:决定过滤强度的参数。较高的H值可以更好地去除噪声,但也可以去除图像的细节。(可以为10)
hforcolorcomponents:与h相同,但仅用于彩色图像。(通常与H相同)
TemplateWindowsize:应该是奇数。(建议为7)
SearchWindowsize:应该是奇数。(建议为21)
有关这些参数的详细信息,请访问附加资源中的第一个链接。
1. cv2.fastNlMeansDenoisingColored()
如上所述,它用于去除彩色图像中的噪声。(噪声预计为高斯噪声)。见下例:
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('die.png')
dst = cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21)
plt.subplot(121),plt.imshow(img)
plt.subplot(122),plt.imshow(dst)
plt.show()
输入图像有一个高斯噪声,它是sigma=25
效果图如下:
2. cv2.fastNlMeansDenoisingMulti()
我们将对视频应用相同的方法。第一个参数是噪声帧列表。第二个参数imgToDenoiseIndex指定了需要去噪的帧,因为我们传递了输入列表中帧的索引。第三个是temporalWindowSize,它指定要用于去噪的相邻帧的数量。这应该很奇怪。在这种情况下,总共使用临时窗口大小的框架,其中中心框架是要去噪的框架。例如,您传递了一个5帧的列表作为输入。设imgToDenoiseIndex=2,temporalWindowSize=3。然后用帧1、帧2和帧3对帧2进行去噪。让我们看一个例子。
import numpy as np
import cv2
from matplotlib import pyplot as plt
cap = cv2.VideoCapture('vtest.avi')
# create a list of first 5 frames
img = [cap.read()[1] for i in range(5)]
# convert all to grayscale
gray = [cv2.cvtColor(i, cv2.COLOR_BGR2GRAY) for i in img]
# convert all to float64
gray = [np.float64(i) for i in gray]
# create a noise of variance 25
noise = np.random.randn(*gray[1].shape)*10
# Add this noise to images
noisy = [i+noise for i in gray]
# Convert back to uint8
noisy = [np.uint8(np.clip(i,0,255)) for i in noisy]
# Denoise 3rd frame considering all the 5 frames
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()
计算需要相当长的时间。结果表明,第一幅图像是原始帧,第二幅图像是噪声图像,第三幅图像是去噪图像。
参考
1.http://www.ipol.im/pub/art/2011/bcm_nlm/ (It has the details, online demo etc. Highly recommended to visit. Our test image is generated from this link)
2.Online course at coursera (First image taken from here)