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，最好的降噪模型之一。

程序可以判断图像是否有噪点吗？这应该是一个很有创意的想法，因为我们的降噪模型不够智能，无法计算出噪声。我们必须自己确定价值观。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，我们将获得更多经验，并且找到最佳参数值将更加容易。

这是该项目的有见地的部分。首先，我们将分享将用于减少噪声的算法。然后，我们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，扫描图像中的相似窗口，对所有窗口取平均值，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。

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。

实验图像：

读取图像:

img = cv2.imread("test_image.png")

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,15,15,7,21)

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。如下是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)

我们可以按顺序看到它们。值越大，图像变得越平滑。

— — 完 — —

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~