OpenCV小例程 |
您所在的位置：网站首页 › 降低视频噪点的代码 › OpenCV小例程 |
OpenCV小例程
|
文章目录
目标理论OpenCV中的图像去噪1. cv2.fastNlMeansDenoisingColored()2. cv2.fastNlMeansDenoisingMulti()参考
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：
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： 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()
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) |
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。
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。【本文地址】