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 |
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) |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |