图像降噪

1.噪声 1.1噪声分类 噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生，也可能在量化等处理中产生。 根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图像,g(x,y)表示图像信号,n(x,y)表示噪声。) 1)加性噪声,此类噪声与输入图像信号无关，含噪图像可表示为f(x,y)=g(x,y)+ n(x,y),信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声。 2)乘性噪声,此类噪声 与图像信号有关,含噪图像可表示为f(x,y)=g(x,y)+ n(x,y)g(x,y),飞点扫描器扛描图像时的噪声,电视图像中的相干噪声,胶片中的颗粒噪声就属于此类噪声。 3)量化噪声,此类噪声 与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生。 1.2椒盐噪声 椒盐噪声是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割弓|起。去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。 路面图像属于结构光图像,使用区域分割技术中的阈值分割法消除白噪声及部分椒盐噪声,而不能使用中值滤波对白噪声及椒盐噪声进行滤波,因为滤波模板在图像中漫游时会改变光条中像素的真实灰度分布,给随后的重心法细化过程带来负面影响。 大量的实验研究发现,由摄像机拍摄得到的图像受离散的脉冲

一、滤波 1.1 blur 均值滤波 def blur(src, ksize, dst=None, anchor=None, borderType=None): src:输入图像,ksize:均值滤波，取值范围 cv2.blur 使用均值滤波，即当对一个值进行滤波时，使用当前值与周围值之和，取平均做为当前值 blured = cv2.blur(frame,(4,4)) #进行滤波去掉噪声,(4,4)为16个像素，除去自身剩15个点平均值为当前点值 1.2 boxfilter 方框滤波 def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None): src:输入图像，ddepth:the output image depth (-1 to use src.depth()) 输入图像深度 cv2.boxfilter(img, -1, (3, 3), normalize=True) 表示进行方框滤波，任意长方形 参数说明当normalize=True时，与均值滤波结果相同， normalize=False，表示对加和后的结果不进行平均操作，大于255的使用255表示 1.3 medianBlur 中值滤波 def medianBlur(src, ksize, dst

图像降噪（平滑） 介绍 图像降噪的英文名称是Image Denoising， 是图像处理中的专业术语。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。减少数字图像中噪声的过程称为图像降噪，有时候又称为图像去噪。 代码实现 首先，导入带噪音的图片。 img = cv2 . imread ( 'lenaNoise.png' ) img = cv2 . cvtColor ( img , cv2 . COLOR_BGR2RGB ) # 均值滤波 # 用3*3的核对图片进行卷积操作，核上的参数都是1/9，达到均值的效果 blur = cv2 . blur ( img , ( 3 , 3 ) ) # 方框滤波（归一化）=均值滤波 box1 = cv2 . boxFilter ( img , - 1 , ( 3 , 3 ) , normalize = True ) # 方框滤波（不归一化） box2 = cv2 . boxFilter ( img , - 1 , ( 3 , 3 ) , normalize = False ) # 高斯滤波 # 用5*5的核进行卷积操作，但核上离中心像素近的参数大。 guassian = cv2 . GaussianBlur ( img , ( 5 , 5 ) , 1 ) # 中值滤波 # 将某像素点周围5

图像恢复的MAP推理公式： $\hat{x}\text{}=\text{}$arg min$_{x}\frac{1}{2}||\textbf{y}\text{}-\text{}\textbf{H}x||^{2}\text{}+\text{}\lambda\Phi(x)$ 正则化项$\Phi(x)$对应恢复的表现扮演了至关重要的角色： $\textbf{z}_{k+1}\text{}=\text{}Denoiser(\textbf{x}_{k+1},\sqrt{\lambda/\mu})$ 然后介绍现在的降噪先验只要采取model-based 优化方法去解决inverse problem，包括： -- total variation(TV)法 ==》 常常制造watercolor-like 鬼影、伪影 -- 高斯混合模型(Gaussian mixture model，GMM) -- K-SVD ==》高计算消耗 -- 非局部均值(Non-local means) ==》如果图像不具有自相似属性，会过度平滑不规则的结构 -- BM3D==》 如果图像不具有自相似属性，会过度平滑不规则的结构 图像的颜色先验是一个十分重要的考虑因素，因为图像大多数图像是RGB格式。 而由于不同图像通道之间的相关性，联合处理图像的不同通道常常会产生更好的表现比独立处理每个颜色通道。

CVPR2017的一篇论文 Learning Deep CNN Denoiser Prior for Image Restoration： 一般的，image restoration(IR)任务旨在从观察的退化变量$y$(退化模型，如式子1)中，恢复潜在的干净图像$x$ $y \text{} =\text{}\textbf{H}x\text{}+\text{}v $ where $\textbf{H}$denotes 退化矩阵，$\textbf{v}$denotes 加性高斯白噪声(additive white Gaussian noise) with 标准差$\sigma$ 指定不同的退化矩阵$\textbf{H}$，对应着不同的IR任务： -- 当$\textbf{H}$是一个恒等矩阵，IR任务对应着 图像去噪 (image denoising) -- 当$\textbf{H}$是一个模糊算子(blurring operator)，IR任务对应着 图像去模糊 (image deblurring) -- 当$\textbf{H}$是一个模糊和下采样的复合算子(composite operator of blurring and down-sampling)，IR任务对应着 图像超分辨率 (image super-resolution) IR 是一个病态逆问题(ill-posed