当前位置：
  1. 首页
  2. python
  3. 正文
本文介绍: 本文主要参考冈萨雷斯的数字图像处理 （第4版），介绍图片中一些常见的噪声形式（高斯噪声、瑞利噪声等）和常用的去噪方法（均值滤波和统计排序滤波），并且给出相应滤波方法的实现代码。

文章目录

前言

本文主要参考冈萨雷斯的数字图像处理 （第4版），介绍图片中一些常见的噪声形式和常用的去噪方法，并且给出相应滤波方法的实现代码。

如果要使用本文代码，建议在Jupyter Notebook环境下运行。

一、噪声分类

1、高斯噪声

指服从高斯分布（正态分布）的一类噪声，其产生的主要原因是由于相机在拍摄时视场较暗且亮度不均匀造成的，同时相机长时间工作使得温度过高也会引起高斯噪声，另外电路元器件白身噪声和互相影响也是造成高斯噪声的重要原因之一。
概率密度函数（PDF）如下：
在这里插入图片描述
初始图片：
在这里插入图片描述
注意加噪声时，不能直接将 noise+img，不然最终出来的是一片空白和零星几个噪点，原因在于cv2.imshow输入要求是 0-1 float 或者 0-255 int。

（1）错误显示：
在这里插入图片描述

在这里插入图片描述
（2）正确显示：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

cv2.imshow('Gauss noise',img)
cv2.waitKey(0)


（3）高斯滤波
高斯滤波是一种线性平滑滤波，一般用于消除高斯噪声。对于每一个像素点的值，是由其本身和邻域内的其他像素值经过加权平均后得到。
二维高斯函数：
在这里插入图片描述
具体过程：
在这里插入图片描述
代码：使用cv2.GaussianBlur()函数
在这里插入图片描述
注意高斯模糊半径不能为偶数
滤波结果：
在这里插入图片描述

2、泊松噪声

简言之就是符合泊松分布的噪声模型，又称散粒噪声。
在这里插入图片描述

使用**np.random.poisson()**函数

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生泊松噪声
noise = np.random.poisson(lam=20,size=img.shape).astype('uint8')

# 加上噪声
img = img + noise
np.clip(img,0,255)
img = img/255

cv2.imshow('Poisson noise',img)
cv2.waitKey(0)

在这里插入图片描述

λ值越大，噪声程度越深。

3、椒盐噪声

椒盐噪声又称为脉冲噪声，是在图像上随机出现黑色白色的像素，顾名思义就是椒盐噪声 = 椒噪声（值为0，黑色） + 盐噪声（值为255，白色）
直接上代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 转化成向量
x = img.reshape(1,-1)  
# 设置信噪比
SNR = 0.85
# 得到要加噪的像素数目
noise_num = x.size * (1-SNR)
# 得到需要加噪的像素值的位置
list = random.sample(range(0,x.size),int(noise_num))

for i in list:
    if random.random() >= 0.5:
        x[0][i] = 0
    else:
        x[0][i] = 255
img1 = x.reshape(img.shape)

cv2.imshow('salt&pepper noise',img1)
cv2.waitKey(0)

在这里插入图片描述
SNR越小，噪声越大。

4、瑞利噪声

一般是由由信道不理想引起的，它与信号的关系是相乘，信号在它在，信号不在他也就不在。
瑞利密度对倾斜形状直方图的建模非常有用。

概率密度函数（PDF）如下：
在这里插入图片描述
很多地方给出的瑞利分布是下面这个公式：
在这里插入图片描述
这两个公式其实是同一个公式，只需要做如下变量替换就得到和第一个公式相同的形式了。
在这里插入图片描述

在生成瑞利噪声的时候，其实采用的是**np.random.rayleigh()** 方法生成，而这个方法就是根据第二个公式来的，所以只需要指定1个参数，得到的分布和第一个公式相比本质是相同的。

代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生瑞利噪声
sigma = 70.0
noise = np.random.rayleigh(sigma, size=img.shape)
# 可以试试下面这个效果
# noise = np.random.rayleigh(img, size=img.shape)

# 加上噪声
img = img + noise
np.clip(img,0,255)
img = img/255

cv2.imshow('Rayleigh noise',img)
cv2.waitKey(0)
print(img.shape)

在这里插入图片描述

5、爱尔兰（伽马）噪声

概率密度函数（PDF）如下：（b是一个正整数）
在这里插入图片描述
指数分布和卡方分布其实可以看成是伽马分布的特殊形式。

b = 1时：指数分布；
b =n/2，a = 1/2时：卡方分布。
代码：

noise = np.random.gamma(shape=10.0,scale=10.0,size=img.shape)
#其他部分同上

在这里插入图片描述

6、均匀噪声

概率密度函数（PDF）如下：
在这里插入图片描述
代码：

noise = np.random.uniform(50,100,img.shape)
#其他部分同上

在这里插入图片描述

二、去噪方法

1、均值滤波

1.1 算术平均滤波

在这里插入图片描述

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

# 算术平均滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3   #定义滤波核大小
n = 3
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            rec_img[channel][i,j] = img1[channel][i:i+m,j:j+n].sum()/(m*n)
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('average',rec_img)
cv2.waitKey(0)

具体过程可以配合下图理解
在这里插入图片描述
去噪效果：

在这里插入图片描述

1.2 几何均值滤波

在这里插入图片描述

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

# 几何均值滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3   #定义滤波核大小
n = 3
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            rec_img[channel][i,j] = np.power(np.prod(img1[channel][i:i+m,j:j+n]),1/(m*n))
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('average',rec_img)
cv2.waitKey(0)

去噪效果：

在这里插入图片描述
几何均值滤波对0值是非常敏感，缺陷也很明显，那就是当窗口内像素只要有一个值为0，则其计算得到的值就是0。

1.3 谐波平均滤波

在这里插入图片描述

rec_img[channel][i,j] = 1/(np.power(img1[channel][i:i+m,j:j+n],-1).sum())*(m*n)
# 其余部分同上

在这里插入图片描述

该方法既能处理盐粒噪声，又能处理类似于于高斯噪声的其他噪声，但是不能处理胡椒噪声。
### 1.4 ·
在这里插入图片描述
Q：滤波器的阶数。适用于降低或消除椒盐噪声。

注意：Q=0时。简化成算术平均滤波；Q=1，简化为谐波平均滤波。

代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

#---------椒盐噪声----------
# 转化成向量
x = img.reshape(1,-1)  
# 设置信噪比
SNR = 0.85
# 得到要加噪的像素数目
noise_num = x.size * (1-SNR)
# 得到需要加噪的像素值的位置
list = random.sample(range(0,x.size),int(noise_num))

for i in list:
    if random.random() >= 0.5:
        x[0][i] = 0
    else:
        x[0][i] = 255
img = x.reshape(img.shape)
img = img/255
#--------------------------

# 反谐波平均滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3   #定义滤波核大小
n = 3
Q = 0.1
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            rec_img[channel][i,j] = ((np.power(img1[channel][i:i+m,j:j+n],Q+1)).sum())/((np.power(img1[channel][i:i+m,j:j+n],Q)).sum())
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('average',rec_img)
cv2.waitKey(0)

加噪图：

在这里插入图片描述
去噪效果：

在这里插入图片描述

注意：Q的值不要过大，否则就会变成下图（Q=2时）：

在这里插入图片描述

2、统计排序滤波

2.1 中值滤波

我们非常熟悉的一种去噪方法，它是用像素邻域中的灰度中值来代替像素的值。
在这里插入图片描述
代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

# 中值滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3   #定义滤波核大小
n = 3
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            rec_img[channel][i,j] = np.median(img1[channel][i:i+m,j:j+n])
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('median',rec_img)
cv2.waitKey(0)

去噪效果：

在这里插入图片描述
或者直接使用cv2.medianBlur()函数

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = np.uint8(img)

# 中值滤波
rec_img = cv2.medianBlur(img,3)

cv2.imshow('median',rec_img)
cv2.waitKey(0)

2.2 最大值和最小值滤波

在这里插入图片描述
在这里插入图片描述
主要使用到：np.amax() 和 np.amin()两个函数

2.3 中点滤波

在这里插入图片描述
代码：

rec_img[channel][i,j] = (np.amax(img1[channel][i:i+m,j:j+n]) + np.amin(img1[channel][i:i+m,j:j+n]))/2

对高斯噪声处理的滤波效果：

在这里插入图片描述

2.4 修正阿尔法均值滤波

处理方法：在邻域

S

x

y

S_{xy}

Sxy​ 内删除

d

/

2

d/2

d/2个最低灰度值和

d

/

2

d/2

d/2个最高灰度值。

g

R

(

r

,

c

)

g_{R}(r,c)

gR​(r,c)表示

S

x

y

S_{xy}

Sxy​ 中剩下的

m

n

−

d

mn-d

mn−d个像素。

d

=

0

d=0

d=0： 变成算术平均滤波

d

=

m

n

−

1

d=mn-1

d=mn−1：中值滤波

在这里插入图片描述
代码：

import cv2
import random
import numpy as np
img = cv2.imread('A.png')

# 产生高斯随机数
noise = np.random.normal(0,50,size=img.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img = img + noise
img = np.clip(img,0,255)
img = img/255   

# 修正阿尔法均值滤波
img1 = np.transpose(img,(2,0,1))  #转换成[channel,H,W]形式
m = 3  #定义滤波核大小
n = 3
d = 4    #d取偶数
rec_img = np.zeros((img1.shape[0],img1.shape[1]-m+1,img1.shape[2]-n+1))
for channel in range(rec_img.shape[0]):
    for i in range(rec_img[channel].shape[0]):
        for j in range(rec_img[channel].shape[1]):
            img2 = np.sort(np.ravel(img1[channel][i:i+m,j:j+n]))  #np.ravel():多维数组变成一维数组
            rec_img[channel][i,j] = (img2[int(d/2):-int(d/2)].sum())*(1/(m*n-d))
rec_img = np.transpose(rec_img,(1,2,0))

cv2.imshow('alpha average',rec_img)
cv2.waitKey(0)

去噪效果：

在这里插入图片描述

总结

介绍的主要是一些非常基础的滤波器，滤波功能只能针对某一类噪声有作用，其滤波效果总的来说并不是很好，对于真实环境中纷繁复杂的噪声类型，需要采用更合适、更好的滤波方法，但是这些方法或多或少都是基于这些基本方法去不断优化和改善的。后面有时间再更新一些更强的去噪方法。
有些地方可能存在问题和不足，欢迎大家一起交流！

参考文献：

[1] 阮秋琦，阮宇智译；（美）拉斐尔·C.冈萨雷斯，理查德·E.伍兹.国外电子书与通信教材系列 数字图像处理 第4版[M].北京：电子工业出版社,2020

原文地址:https://blog.csdn.net/m0_46366547/article/details/129371491

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。

如若转载，请注明出处：http://www.7code.cn/show_9793.html

如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！

上一篇 Python Apex YOLO V5 6.2 目标检测 全过程记录
下一篇 好用的chatgpt工具用过这个比较快

相关文章

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

插入图片
浏览器会保存昵称、邮箱和网站cookies信息，下次评论时使用。