opencv python 图像去噪的实现方法

在早先的章节里，我们看到很多图像平滑技术如高斯模糊，Median模糊等，它们在移除数量小的噪音时在某种程度上比较好用。在这些技术里，我们取像素周围的一小部分邻居，做一些类似于高斯平均权重，中值等替换掉中间的元素。简单说，移除一个像素的噪音是基于本地邻居的。

噪音有一个属性，噪音一般被认为是具有零平均值的随机变量。假设一个像素噪音，p = p0 + n, 其中p0是像素的真实值，n是那个像素的噪音。你可以从不同图像取大量的同一个像素(N)并计算他们的平均值，理想情况下，你应该得到p=p0，因为均值是0.

你可以自己通过一个简单例子验证一下。保持一个静止的摄像机对准一个位置多呆几秒，这会给你很多帧，或者是对一个场景的很多图像。然后写一些代码来找到视频里所有帧的平均值。比较最终的结果和第一帧。你可以看到噪点被去掉了。不幸的是这个简单的方法对于摄像机和场景的运动来说就不健壮了。而且经常你也只有一个噪音图像可用。

Image Denoising

OpenCV提供了这种技术的四种变体。

Common arguments:

h：参数决定滤波器强度。较高的h值可以更好地消除噪声，但也会删除图像的细节 (10 is ok) hForColorComponents：与h相同，但仅适用于彩色图像。 （通常与h相同） templateWindowSize：应该是奇数。 （recommended 7） searchWindowSize：应该是奇数。 （recommended 21）

cv2.fastNlMeansDenoisingColored()

如上所述，它用于从彩色图像中去除噪声。 （噪音预计是高斯噪音）

import numpy as npimport cv2import matplotlib.pyplot as pltimg = cv2.imread('img.jpg')dst = cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21)plt.subplot(121),plt.imshow(img)plt.subplot(122),plt.imshow(dst)plt.show()

cv2.fastNlMeansDenoisingMulti（）

现在我们将相同的方法应用于视频。 第一个参数是嘈杂帧的列表。 第二个参数imgToDenoiseIndex指定我们需要去噪的帧，因为我们在输入列表中传递了frame的索引。 第三个是temporalWindowSize，它指定了用于去噪的附近帧的数量。 在这种情况下，使用总共temporalWindowSize帧，其中中心帧是要去噪的帧。 例如，传递了5个帧的列表作为输入。 设imgToDenoiseIndex = 2和temporalWindowSize = 3.然后使用frame-1，frame-2和frame-3对帧-2进行去噪