图像去噪

目标

在这一章当中，

理论

在前面的章节中，我们已经看到许多图像平滑技术，如高斯模糊，中位模糊等，它们在一定程度上消除了少量噪声。在这些技术中，我们在像素周围采用了一个小邻域，并进行了一些操作，如高斯加权平均值，值的中值等，以替换中心元素。简而言之，像素处的噪声消除是其邻域的局部。

有噪音的财产。噪声通常被认为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 = p_0 )，因为噪声的平均值为零。

您可以通过简单的设置自行验证。将静态相机固定在某个位置几秒钟。这将为您提供大量的帧或同一场景的大量图像。然后写一段代码来查找视频中所有帧的平均值（这对你来说应该太简单了）。比较最终结果和第一帧。你可以看到减少噪音。不幸的是，这种简单的方法对相机和场景运动不稳健。通常也只有一个嘈杂的图像。

所以想法很简单，我们需要一组类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）。机会很大，相同的补丁可能在图像中的其他位置。有时在它附近的一个小社区。如何一起使用这些类似的补丁并找到它们的平均值？对于那个特定的窗口，那很好。请参阅下面的示例图片：

nlm_patch.jpg

图像中的蓝色斑块看起来很相似。绿色斑块看起来相似。所以我们拍摄一个像素，在它周围采取小窗口，在图像中搜索类似的窗口，平均所有窗口并用我们得到的结果替换像素。该方法是非局部均值去噪。与我们之前看到的模糊技术相比，它需要更多的时间，但结果非常好。更多详细信息和在线演示可以在其他资源的第一个链接中找到。

对于彩色图像，图像被转换为​​CIELAB 色彩空间，然后单独对 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。

  1. cv.fastNlMeansDenoising（） - 适用于单个灰度图像
  2. cv.fastNlMeansDenoisingColored（） - 适用于彩色图像。
  3. cv.fastNlMeansDenoisingMulti（） - 适用于短时间内拍摄的图像序列（灰度图像）
  4. cv.fastNlMeansDenoisingColoredMulti（） - 与上述相同，但适用于彩色图像。

常见的论点是：

  • 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 个没问题）
  • 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。 （推荐 7）
  • searchWindowSize：应该是奇数。 （推荐 21）

有关这些参数的详细信息，请访问其他资源中的第一个链接。

我们将在这里演示 2 和 3。休息留给你。

1. cv.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）。请参阅以下示例：

  1. import numpy as np
  2. import cv2 as cv
  3. from matplotlib import pyplot as plt
  4. img = cv.imread('die.png')
  6. dst=cv.fastNlMeansDenoisingColored(img,None,10,10,7,21)
  8. plt.subplot(121),plt.imshow(img)
  9. plt.subplot(122),plt.imshow(dst)
  10. plt.show()

下面是结果的缩放版本。我的输入图像的高斯噪声为　( sigma = 25)。看结果：

nlm_result1.jpg

2. cv.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。应该很奇怪。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，您传递了 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。我们来看一个例子吧。

  1. import numpy as np
  2. import cv2 as cv
  3. from matplotlib import pyplot as plt
  5. cap = cv.VideoCapture('vtest.avi')
  6. # create a list of first 5 frames
  7. img = [cap.read()[1] for i in xrange(5)]
  9. # convert all to grayscale
  10. gray = [cv.cvtColor(i, cv.COLOR_BGR2GRAY) for i in img]
  12. # convert all to float64
  13. gray = [np.float64(i) for i in gray]
  15. # create a noise of variance 25
  16. noise = np.random.randn(*gray[1].shape)*10
  18. # Add this noise to images
  19. noisy = [i+noise for i in gray]
  21. # Convert back to uint8
  22. noisy = [np.uint8(np.clip(i,0,255)) for i in noisy]
  24. # Denoise 3rd frame considering all the 5 frames
  26. dst = cv.fastNlMeansDenoisingMulti(noisy, 2, 5, None, 4, 7,35)
  28. plt.subplot(131),plt.imshow(gray[2],'gray')
  29. plt.subplot(132),plt.imshow(noisy[2],'gray')
  30. plt.subplot(133),plt.imshow(dst,'gray')
  31. plt.show()

下图显示了我们得到的结果的缩放版本：

nlm_multi.jpg

计算需要相当长的时间。在结果中，第一图像是原始帧，第二图像是噪声图像，第三图像是去噪图像。

其他资源

  1. http://www.ipol.im/pub/art/2011/bcm_nlm/ （它有详细信息，在线演示等。强烈建议访问。我们的测试图像是从这个链接生成的）
  2. coursera 的在线课程（第一张图片来自这里）

演习