精华内容
下载资源
问答
  • 在早先的章节里,我们看到很多图像平滑技术如高斯模糊,Median模糊等,它们在移除数量小的噪音时在某种程度上比较好用。在这些技术里,我们取像素周围的一小部分邻居,做一些类似于高斯平均权重,中值等替换掉中间的...

    在早先的章节里,我们看到很多图像平滑技术如高斯模糊,Median模糊等,它们在移除数量小的噪音时在某种程度上比较好用。在这些技术里,我们取像素周围的一小部分邻居,做一些类似于高斯平均权重,中值等替换掉中间的元素。简单说,移除一个像素的噪音是基于本地邻居的。

    噪音有一个属性,噪音一般被认为是具有零平均值的随机变量。假设一个像素噪音,p = p0 + n, 其中p0是像素的真实值,n是那个像素的噪音。你可以从不同图像取大量的同一个像素(N)并计算他们的平均值,理想情况下,你应该得到p=p0,因为均值是0.

    你可以自己通过一个简单例子验证一下。保持一个静止的摄像机对准一个位置多呆几秒,这会给你很多帧,或者是对一个场景的很多图像。然后写一些代码来找到视频里所有帧的平均值。比较最终的结果和第一帧。你可以看到噪点被去掉了。不幸的是这个简单的方法对于摄像机和场景的运动来说就不健壮了。而且经常你也只有一个噪音图像可用。

    Image Denoising

    OpenCV提供了这种技术的四种变体。

    cv2.fastNlMeansDenoising() - 使用单个灰度图像

    cv2.fastNlMeansDenoisingColored() - 使用彩色图像。

    cv2.fastNlMeansDenoisingMulti() - 用于在短时间内捕获的图像序列(灰度图像)

    cv2.fastNlMeansDenoisingColoredMulti() - 与上面相同,但用于彩色图像。

    Common arguments:

    h:参数决定滤波器强度。较高的h值可以更好地消除噪声,但也会删除图像的细节 (10 is ok)

    hForColorComponents:与h相同,但仅适用于彩色图像。 (通常与h相同)

    templateWindowSize:应该是奇数。 (recommended 7)

    searchWindowSize:应该是奇数。 (recommended 21)

    cv2.fastNlMeansDenoisingColored()

    如上所述,它用于从彩色图像中去除噪声。 (噪音预计是高斯噪音)

    import numpy as np

    import cv2

    import matplotlib.pyplot as plt

    img = cv2.imread('img.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()

    现在我们将相同的方法应用于视频。 第一个参数是嘈杂帧的列表。 第二个参数imgToDenoiseIndex指定我们需要去噪的帧,因为我们在输入列表中传递了frame的索引。 第三个是temporalWindowSize,它指定了用于去噪的附近帧的数量。 在这种情况下,使用总共temporalWindowSize帧,其中中心帧是要去噪的帧。 例如,传递了5个帧的列表作为输入。 设imgToDenoiseIndex = 2和temporalWindowSize = 3.然后使用frame-1,frame-2和frame-3对帧-2进行去噪

    import numpy as np

    import cv2

    import matplotlib.pyplot as plt

    cap = cv2.VideoCapture('test.mp4')

    # 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()

    以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我们。

    本文标题: opencv python 图像去噪的实现方法

    本文地址: http://www.cppcns.com/jiaoben/python/238703.html

    展开全文
  • 这是基于Python编写的经典图像去噪算法BM3D,含源代码和范例。不依赖于作者原版的Matlab,开发使用更为友好,代码结构清晰。
  • OpenCV-Python 图像去噪 | 五十九

    千次阅读 2020-04-09 10:39:46
    你将学习用于去除图像中噪声的非局部均值去噪算法。 你将看到不同的函数,例如cv.fastNlMeansDenoising(),cv.fastNlMeansDenoisingColored()等。 理论 在前面的章节中,我们已经看到了许多图像平滑...

    作者|OpenCV-Python Tutorials 编译|Vincent 来源|OpenCV-Python Tutorials

    目标

    在本章中,

    • 你将学习用于去除图像中噪声的非局部均值去噪算法。
    • 你将看到不同的函数,例如cv.fastNlMeansDenoising(),cv.fastNlMeansDenoisingColored()等。

    理论

    在前面的章节中,我们已经看到了许多图像平滑技术,例如高斯模糊,中值模糊等,它们在某种程度上可以消除少量噪声。在这些技术中,我们在像素周围采取了一个较小的邻域,并进行了一些操作,例如高斯加权平均值,值的中位数等来替换中心元素。简而言之,在像素处去除噪声是其周围的局部现象。 有噪声的性质。

    通常认为噪声是零均值的随机变量。考虑一个有噪声的像素,$p=p_0+n$,其中$p_0$是像素的真实值,$n$是该像素中的噪声。你可以从不同的图像中获取大量相同的像素(例如N)并计算其平均值。理想情况下,由于噪声的平均值为零,因此应该得到$p = p_0$。

    你可以通过简单的设置自己进行验证。将静态相机固定在某个位置几秒钟。这将为你提供很多帧或同一场景的很多图像。然后编写一段代码,找到视频中所有帧的平均值(这对你现在应该太简单了)。 比较最终结果和第一帧。你会看到噪声减少。不幸的是,这种简单的方法对摄像机和场景的运动并不稳健。通常,只有一张嘈杂的图像可用。

    因此想法很简单,我们需要一组相似的图像来平均噪声。考虑图像中的一个小窗口(例如5x5窗口)。 很有可能同一修补程序可能位于图像中的其他位置。有时在它周围的一个小社区中。一起使用这些相似的补丁并找到它们的平均值怎么办?对于那个特定的窗口,这很好。请参阅下面的示例图片:

    图像中的蓝色补丁看起来很相似。绿色补丁看起来很相似。因此,我们获取一个像素,在其周围获取一个小窗口,在图像中搜索相似的窗口,对所有窗口求平均,然后用得到的结果替换该像素。此方法是“非本地均值消噪”。与我们之前看到的模糊技术相比,它花费了更多时间,但是效果非常好。更多信息和在线演示可在其他资源的第一个链接中找到。

    对于彩色图像,图像将转换为CIELAB色彩空间,然后分别对L和AB分量进行降噪。

    OpenCV中的图像去噪

    OpenCV提供了此方法的四个变体。

    1. cv.fastNlMeansDenoising()-处理单个灰度图像
    2. cv.fastNlMeansDenoisingColored()-处理彩色图像。
    3. cv.fastNlMeansDenoisingMulti()-处理在短时间内捕获的图像序列(灰度图像)
    4. cv.fastNlMeansDenoisingColoredMulti()-与上面相同,但用于彩色图像。

    常用参数为:

    • h:决定滤波器强度的参数。较高的h值可以更好地消除噪点,但同时也可以消除图像细节。(可以设为10)
    • hForColorComponents:与h相同,但仅用于彩色图像。(通常与h相同)
    • templateWindowSize:应为奇数。(建议设为7)
    • searchWindowSize:应为奇数。(建议设为21)

    请访问其他资源中的第一个链接,以获取有关这些参数的更多详细信息。 我们将在此处演示2和3。剩下的留给你。

    1. cv.fastNlMeansDenoisingColored() 如上所述,它用于消除彩色图像中的噪点。(噪声可能是高斯的)。请参阅以下示例:
    import numpy as np
    import cv2 as cv
    from matplotlib import pyplot as plt
    img = cv.imread('die.png')
    dst = cv.fastNlMeansDenoisingColored(img,None,10,10,7,21)
    plt.subplot(121),plt.imshow(img)
    plt.subplot(122),plt.imshow(dst)
    plt.show()

    以下是结果的放大版本。我的输入图像的高斯噪声为$σ= 25$。查看结果:

    1. cv.fastNlMeansDenoisingMulti() 现在,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指定我们需要去噪的帧,为此,我们在输入列表中传递帧的索引。第三是temporalWindowSize,它指定要用于降噪的附近帧的数量。应该很奇怪。在那种情况下,总共使用temporalWindowSize帧,其中中心帧是要被去噪的帧。例如,你传递了一个5帧的列表作为输入。令imgToDenoiseIndex = 2,temporalWindowSize =3。然后使用frame-1frame-2frame-3去噪frame-2。让我们来看一个例子。
      import numpy as np
      import cv2 as cv
      from matplotlib import pyplot as plt
      cap = cv.VideoCapture('vtest.avi')
      # 创建5个帧的列表
      img = [cap.read()[1] for i in xrange(5)]
      # 将所有转化为灰度
      gray = [cv.cvtColor(i, cv.COLOR_BGR2GRAY) for i in img]
      # 将所有转化为float64
      gray = [np.float64(i) for i in gray]
      # 创建方差为25的噪声
      noise = np.random.randn(*gray[1].shape)*10
      # 在图像上添加噪声
      noisy = [i+noise for i in gray]
      # 转化为unit8
      noisy = [np.uint8(np.clip(i,0,255)) for i in noisy]
      # 对第三帧进行降噪
      dst = cv.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()

    计算需要花费大量时间。结果,第一个图像是原始帧,第二个是噪声帧,第三个是去噪图像。

    附加资源

    1. http://www.ipol.im/pub/art/2011/bcm_nlm/ (它包含详细信息,在线演示等。强烈建议访问。我们的测试图像是从此链接生成的)
    2. Online course at coursera (这里拍摄的第一张图片)

    练习

    欢迎关注磐创AI博客站: http://panchuang.net/

    OpenCV中文官方文档: http://woshicver.com/

    欢迎关注磐创博客资源汇总站: http://docs.panchuang.net/

    展开全文
  • Non-local Mean 图像去噪算法的基本实现(Python) 最近开始做视频去噪方面的工作,无一例外就会看到NLM这种经典的基于块匹配图像去噪算法。 那么最最基本的NLM算法所涉及的公式如下所示: 为加深对公式的理解,...

    Non-local Mean 图像去噪算法的基本实现(Python)

    最近开始做视频去噪方面的工作,无一例外就会看到NLM这种经典的基于块匹配图像去噪算法。
    那么最最基本的NLM算法所涉及的公式如下所示:
    基本NLM算法
    为加深对公式的理解,写了个python版本的NLM,内含6个循环,没有做任何算法上的优化,没有矩阵运算,什么都没有,效率极低。

    def imnlmeans_naive(img, sigma, s1, s2, p1,p2, h):
    
        # backup
        img_out = np.zeros((img.shape[0],img.shape[1]))
    
        # padding
        pad = int((s1+s2)/2 + (p1+p2)/2)
        img_pad = np.lib.pad(img, pad, 'symmetric')
        # plt.imshow(img_pad, cmap=plt.cm.gray)
        # plt.show()
        hight = img.shape[0]
        width = img.shape[1]
        P = (2*p1+1)*(2*p2+1)
        patch = 0
        patch2 = 0
        Z = 0
        for i in range(s1+p1,hight+s1+p1+1):
            for j in range(s2+p2,width+s2+p2+1):
                for i1 in range(i-s1,i+s1+1):
                    for j1 in range(j-s2,j+s2+1):
                        for i2 in range(i1-p1,i1+p1+1):
                            for j2 in range(j1-p2,j1+p2+1):
                                patch = patch + (img_pad[i2,j2] - img_pad[i2+p1+s1,j1+p2+s2])**2
                        patch = patch / P
                        f = fai(patch, sigma, h, P)
                        patch2 = patch2 + f*img_pad[i1,j1]
                        Z = Z + f
                img_out[i-s1-p1,j-s2-p2] = 1.0/Z*patch2
        return img_out

    接下来会放出NLM优化后的python代码,以及NLM的改进算法,即基于块(Block-wise NL-means)的NLM。
    图像去噪的东西才刚刚接触,所以有些词语、说法会不准确,还请大家指出不足、不准确之处,谢谢。

    展开全文
  • 图像去噪算法python实现

    千次阅读 2009-05-04 12:01:33
    #coding:utf-8 import sys,os from PIL import Image,ImageDraw #二值数组 t2val = {} def twoValue(image,G): for y in xrange(0,image.size[1]): for x in xrange(0,image.size[0]): ... ...
    #coding:utf-8
    import sys,os
    from PIL import Image,ImageDraw
    
    #二值数组
    t2val = {}
    def twoValue(image,G):
        for y in xrange(0,image.size[1]):
            for x in xrange(0,image.size[0]):
                g = image.getpixel((x,y))
                if g > G:
                    t2val[(x,y)] = 1
                else:
                    t2val[(x,y)] = 0
    
    # 降噪 
    # 根据一个点A的RGB值,与周围的8个点的RBG值比较,设定一个值N(0 <N <8),当A的RGB值与周围8个点的RGB相等数小于N时,此点为噪点 
    # G: Integer 图像二值化阀值 
    # N: Integer 降噪率 0 <N <8 
    # Z: Integer 降噪次数 
    # 输出 
    #  0:降噪成功 
    #  1:降噪失败 
    def clearNoise(image,N,Z):
    
        for i in xrange(0,Z):
            t2val[(0,0)] = 1
            t2val[(image.size[0] - 1,image.size[1] - 1)] = 1
    
            for x in xrange(1,image.size[0] - 1):
                for y in xrange(1,image.size[1] - 1):
                    nearDots = 0
                    L = t2val[(x,y)]
                    if L == t2val[(x - 1,y - 1)]:
                        nearDots += 1
                    if L == t2val[(x - 1,y)]:
                        nearDots += 1
                    if L == t2val[(x- 1,y + 1)]:
                        nearDots += 1
                    if L == t2val[(x,y - 1)]:
                        nearDots += 1
                    if L == t2val[(x,y + 1)]:
                        nearDots += 1
                    if L == t2val[(x + 1,y - 1)]:
                        nearDots += 1
                    if L == t2val[(x + 1,y)]:
                        nearDots += 1
                    if L == t2val[(x + 1,y + 1)]:
                        nearDots += 1
    
                    if nearDots < N:
                        t2val[(x,y)] = 1
    
    def saveImage(filename,size):
        image = Image.new("1",size)
        draw = ImageDraw.Draw(image)
    
        for x in xrange(0,size[0]):
            for y in xrange(0,size[1]):
                draw.point((x,y),t2val[(x,y)])
    
        image.save(filename)
    
    image = Image.open("d:/1.jpg").convert("L")
    twoValue(image,100)
    clearNoise(image,4,1)
    saveImage("d:/5.jpg",image.size)
    
    
    展开全文
  • python数字图像处理-图像噪声与去噪算法图像噪声椒盐噪声概述: 椒盐噪声(salt & pepper noise)是数字图像的一个常见噪声,所谓椒盐,椒就是黑,盐就是白,椒盐噪声就是在图像上随机出现黑色白色的像素。...
  • 基于python的图像处理之图像去噪的各种算法实现,还设计了UI界面
  • 小波图像去噪原理图像和噪声在经小波变换后具有不同的统计特性:图像本身的能量对应着幅值较大的小波系数,主要集中在低频(LL)部分;噪声能量则对应着幅值较小的小波系数,并分散在小波变换后的所有系数中。基于此可...
  • python 图片去噪的方法

    千次阅读 2018-09-20 09:13:41
    python 图片去噪的方法  图像可能在生成、传输或者采集过程中夹带了噪声,去噪声是图像处理中常用的手法。通常去噪声用滤波的方法,比如中值滤波、均值滤波。但是那样的算法不适合用在处理字符这样目标狭长的图像...
  • 但是那样的算法不适合用在处理字符这样目标狭长的图像中,因为在滤波的过程中很有可能会去掉字符本身的像素。 一个采用的是去除杂点的方法来进行去噪声处理的。具体算法如下:扫描整个图像,当发现一个黑色点的时候...
  • 该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门、OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子、图像增强技术、图像分割等,后期结合深度学习研究图像识别、图像分类应用。...
  • Python图像处理之小波去噪

    千次阅读 多人点赞 2016-01-27 23:13:26
    在此前的文章中,我们讨论了在Python中利用pywt包提供的API对图像做...后续我们还会从原理上讨论如何利用小波变换来设计图像去噪算法。但在此之前,本文将主要演示,利用Python中已有的API进行图像小波去噪的方法及效果
  • opencv中一般是利用高通滤波器进行图像去噪,具体包括以下三个函数。 cv2.Sobel(),其实求得是一阶导数 cv2.Schar(),其实也求得是一阶导数,是对sobel算子的优化 cv2.Laplacian(),其实求得是二阶导数 上述三个...
  • 该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门、OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子、图像增强技术、图像分割等,后期结合深度学习研究图像识别、图像分类应用。...
  • 学习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.fastNlMeansDenoisingColored()等 2. 原理 我们已经学习了很多图像平滑技术,比如高斯平滑,中值平滑等,当噪声比较小时...
  • 发表于 2018-01-10 16:32:17 ...小波图像去噪原理 图像和噪声在经小波变换后具有不同的统计特性:图像本身的能量对应着幅值较大的小波系数,主要集中在低频(LL)部分;噪声能量则对应着幅...
  • BM3D去噪python代码

    2020-05-20 17:22:28
    这是一本基于python实现的BM3D去噪算法,值得学习一下.BM3D在传统图像去噪方面效果是最好的,此代码需要安装opencv库
  • 本文主要学习资源《机器学习实践指南》案例应用解析一、图像平滑Python可以使用滤波算法实现图像平滑, 是图像增强的一部分。图像平滑是一种区域增强的算法,平滑算法有邻域平均法、中指滤波、边界保持类滤波等,其...
  • 本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体...Python图像处理十四 :Opencv图像轮廓提取之Scharr算法和Canny算法一、Scharr算法1、Scharr算法原理2、Scharr
  • 本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况...[Python图像处理十二 ]:Opencv图像轮廓提取之Roberts算法、Prewitt算法及Sobel算法一、Roberts算法1、Robe
  • 本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的、不同方法的处理,以达到对图像进行去噪、...《OpenCv视觉之眼》Python图像
  • 多目标图像分割算法

    千次阅读 2019-11-28 16:45:33
    Python+Opencv图像分割 主要是对多目标图像进行区域分割,类似于下图所示类型图像: 1、彩色图像阈值分割 一般彩色图像都是由RGB三通道组合而成,即从R、G、B三个分量入手,由于我们感兴趣的区域是煤料颗粒,周围的...
  • 图像滤波器算法总结概述均值滤波方框滤波高斯滤波中值滤波双边滤波 概述 线性滤波:方框滤波、均值滤波、高斯滤波 非线性滤波: 最大最小值滤波、中值滤波、双边滤波 高通滤波:去掉低频信号,留下高频信号。留下...
  • 主要利用多种算法和pyqt桌面设计实现图像去噪。将带有噪声的不清晰图片进行清晰化,去噪。 在空域图像处理中,常用的去噪方法:均值滤波、中值滤波、高斯滤波、双边滤波。 (对于正在写python,图像处理等设计和论文...
  • 1、由于边缘检测算法受到噪声的影响较大,首先第一步必须对图像进行去噪,利用前面讲的高通滤波器进行去噪; 2、第二步和是利用第一步中的高通滤波器得到图像的梯度,大小和方向;(具体见图1) 图1 3、...
  • 算法以随机的方式对每张图像选取三种加雾算法中的一种,使得训练后的神经网络不容易出现过拟合现象 思路 在进行去雾算法实验的过程中我发现如果使用单一的加雾算法,得到的训练集进行训练后效果并不理想。之后在...
  • Python机器学习算法实现Author:louwillMachine Learning Lab 奇异值分解(Singular Value Decomposition,SVD)作为一种常用的矩阵分解和数据降维方法,在机器学习中也得到了广泛的应用,比如自然语言处理中的SVD词...
  • Python机器学习算法实现Author:louwillMachine Learning Lab 奇异值分解(Singular Value Decomposition,SVD)作为一种常用的矩阵分解和数据降维方法,在机器学习中也得到了广泛的应用,比如自然语言处理中的SVD词...

空空如也

空空如也

1 2 3 4
收藏数 71
精华内容 28
关键字:

深度学习算法