使用Python中的OpenCV降噪功能增强图像的3个步骤
共 3399字,需浏览 7分钟
·
2021-04-02 10:19
点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
在本文中,我们将展示如何通过三个简单的步骤来实现降噪。我们将使用机器学习训练的降噪模型。这是我们找到的最好的降噪模型之一。
程序可以判断图像是否有噪点吗?这对于另一个项目可能是个主意,因为我们的降噪模型不够智能,无法计算出噪声。因此我们必须自己确定。在这种情况下,最好的方法通常是尝试不同的值并找到最佳结果。经过一些练习,我们会获得更多经验,并且找到最佳参数值。
在这个项目中,我们将使用三个Python软件包:OpenCV,Matplotlib和NumPy。OpenCV是一个非常知名的计算机视觉工具包。作为OpenCV库的先决条件,我们将需要安装NumPy。读取图像时,我们将像素转换为数组。NumPy将在后台进行该操作。当处理多维数组时,NumPy是足够的。
这是该项目非常有趣的部分。首先,我将分享我们将用于减少噪声的算法。然后,我将分享它具有多少个参数以及每个参数的含义。
图片中的黄色区域看起来很像。另外,绿色的小区域也看起来很相似。非局部均值去噪算法选择一个像素,在其周围取一个小窗口,扫描图像以获得相似的窗口,对所有窗口求平均,然后计算结果以替换该像素。该算法被称为非本地算法,因为它搜索整个图像以找到相互联系,而不仅仅是在单个区域周围。那不是很酷吗?
该算法包含两个常用函数:fastNlMeansDenoising和fastNlMeansDenoisingColored。第一个用于灰度图像,第二个用于彩色照片。在我们的例子中,我们将使用彩色图像。
该函数的参数为src,dst,h,hcolor,templateWindowSize,和searchWindowSize。
src:我们要进行降噪的输入图像。
dst:如果要导出结果,则为目的地。
h:亮度分量(较大的h值会消除更多的噪点,但也会降低图像的质量)。
hcolor:颜色分量(这10是彩色图像文档中的推荐值)。
templateWindowSize:该功能将平滑的区域的像素大小。它应该是一个奇数整数。
searchWindowSize:该功能将找到并用作参考的区域的像素大小。它对性能产生线性影响:值越大,searchWindowSize表示去噪时间越长。另外,它应该是一个奇数整数(21是官方文档推荐的值,因为它适用于大多数嘈杂的图像情况)。
我们必须安装两个库才能使我们的程序正常运行:numpy和opencv-python。我们可以使用PIP库管理器将它们安装在一行中:
pip install numpy opencv-python
让我们继续创建一个新的Jupyter Notebook(但可以随意使用所需的代码编写环境)。这是我的第一个笔记本块,我们在其中导入刚刚构建的库:
import cv2
import numpy as np
在这一步中,我们将找到要用于降噪的图片。为了更清楚地看到更改,它可能是嘈杂的图片。也可以随意使用常规图像-仍然会出现平滑现象。
这是我们所使用的图像:
这是读取图像的行。我们正在使用OpenCV的imread方法:
img =cv2.imread("test_image.png")
现在,我们进入第三步,也是最后一步,我们将在实际操作中看到降噪效果。
到目前为止看起来不错!现在,这是项目的有趣部分。我们将看到降噪后图像的外观。我们将使用三个不同的值运行该函数,以查看每个值如何影响最终结果。随意检查第一步,以了解每个参数代表什么。
denoise_1 = cv2.fastNlMeansDenoisingColored(img,None,3,3,7,21)
denoise_2 = cv2.fastNlMeansDenoisingColored(img,None,5,5,7,21)
denoise_3 = cv2.fastNlMeansDenoisingColored(img,None,15,15,157,21)
去噪图像分配给不同的变量。让我们保存结果。我们将使用OpenCV的imwrite方法。如您所见,我们传递变量和要保存的文件名。
cv2.imwrite('image_1.png',denoise_1)
cv2.imwrite('image_2.png',denoise_2)
cv2.imwrite('image_3.png',denoise_3)
比较结果
我们可以按顺序看到它们。值越大,图像变得越平滑。
这是一张查看前后变化的图片。我选择了denoise_1我的最终结果。
恭喜你!我们开发了一种程序,可以将图像的噪点降低不同程度。还有许多其他图像缩小算法。小伙伴可以尝试一下,然后选择自己喜欢的。根据我们的经验,它们不如我们在本文中使用的那样强大,即非局部均值降噪算法。一些降噪算法也称为模糊算法。
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~