1. 影像雜訊
影像降噪(Image Denoising)是指從影像中去除 雜訊 的過程，目的是提高影像品質，增強影像的視覺效果。
影像雜訊是指影像中不希望出現的隨機亮度或顏色變化，通常會降低影像的解析度和可辨識度，以及會降低影像的品質並使影像分析和理解更加困難。
影像雜訊主要有以下幾個原因來產生的：
光線不足 ：光線不足會導致光子雜訊增加，從而降低影像的訊雜比。
電子元器件的熱雜訊 ：電子元器件在工作時會產生熱雜訊，這種雜訊會影響影像的品質。
電路雜訊 ：電路中的電磁幹擾也會導致影像雜訊的產生。
影像傳輸過程中的錯誤 ：影像在傳輸過程中可能會受到各種幹擾，從而導致影像雜訊的產生。
根據雜訊的統計特性來分類，可以將影像雜訊分為以下幾類：
椒鹽雜訊 ：影像中隨機出現黑白像素的雜訊。
高斯雜訊 ：最常見的雜訊型別，其機率密度函式服從高斯分布。
帕松雜訊 ：光子雜訊的一種型別，其機率密度函式服從卜瓦松分布。
斑點雜訊 ：由影像傳感器壞點或汙點引起的雜訊。
下面的例子，分別展示了在影像中添加椒鹽雜訊、高斯雜訊、帕松雜訊和斑點雜訊。
#include<opencv2/opencv.hpp>
#include<opencv2/core.hpp>
#include<opencv2/highgui.hpp>
#include<random>
usingnamespacestd;
usingnamespace cv;
voidaddSaltNoise(Mat &src, int num, Mat &dst)
{
dst = src.clone();
// 隨機數產生器
std::random_device rd; //種子
std::mt19937 gen(rd()); // 隨機數引擎
auto rows = src.rows; // 行數
auto cols = src.cols * src.channels();
for (int i = 0; i < num; i++)
{
auto row = static_cast<int>(gen() % rows);
auto col = static_cast<int>(gen() % cols);
auto p = dst.ptr<uchar>(row);
p[col++] = 255;
p[col++] = 255;
p[col] = 255;
}
}
voidaddGaussianNoise(Mat &src, int mu, int sigma, Mat &dst)
{
dst = src.clone();
// 產生高斯分布的隨機數發生器
std::random_device rd;
std::mt19937 gen(rd());
std::normal_distribution<> d(mu, sigma);
auto rows = src.rows; // 行數
auto cols = src.cols * src.channels(); // 列數
for (int i = 0; i < rows; i++)
{
auto p = dst.ptr<uchar>(i); // 取得行首指標
for (int j = 0; j < cols; j++)
{
auto tmp = p[j] + d(gen);
tmp = tmp > 255 ? 255 : tmp;
tmp = tmp < 0 ? 0 : tmp;
p[j] = tmp;
}
}
}
typedef cv::Point3_<uint8_t> Pixel;
voidaddPoissonNoise(const Mat& src, double lambda, Mat& dst){
dst = src.clone();
// 產生卜瓦松分布的隨機數生成器
std::random_device rd;
std::mt19937 gen(rd());
std::poisson_distribution<int> distribution(lambda);
dst.forEach<Pixel>([&](Pixel &p, constint * position) -> void {
int row = position[0];
int col = position[1];
int count = distribution(gen);
dst.at<Vec3b>(row, col) = dst.at<Vec3b>(row, col) + Vec3b(count, count, count);
});
}
voidaddSpeckleNoise(Mat& image, double scale, Mat &dst){
dst = image.clone();
RNG rng;
dst.forEach<Pixel>([&](Pixel &p, constint * position) -> void {
int row = position[0];
int col = position[1];
double random_value = rng.uniform(0.0, 1.0);
double noise_intensity = random_value * scale;
dst.at<Vec3b>(row, col) = dst.at<Vec3b>(row, col) + Vec3b(noise_intensity * 255, noise_intensity * 255, noise_intensity * 255);
});
}
intmain(){
Mat src = imread(".../girl.jpg");
imshow("src", src);
Mat dst1;
addSaltNoise(src,100000,dst1);
imshow("addSaltNoise", dst1);
Mat dst2;
addGaussianNoise(src, 0, 50,dst2);
imshow("addGaussianNoise", dst2);
Mat dst3;
addPoissonNoise(src, 60, dst3);
imshow("addPoissonNoise", dst3);
Mat dst4;
addSpeckleNoise(src,0.5,dst4);
imshow("addSpeckleNoise", dst4);
waitKey(0);
return0;
}
2. 影像降噪方法
傳統的影像處理是基於濾波器的方式進行降噪，比如使用空域濾波、頻域濾波、非局部均值濾波等等，還有使用形態學降噪，當然也可以深度學習的方式進行降噪。
本文介紹兩種空域濾波的方式進行降噪。
2.1 中值濾波
中值濾波是一種 非線性 濾波器，它透過對影像中的像素值進行排序並取中間值來進行濾波處理。
中值濾波的特性：
對於影像中的每個像素，選取其周圍一定區域內的所有像素值，並對其進行排序。
將排序後的像素值的中位數賦予該像素。
中值濾波的優點:
能夠有效去除椒鹽雜訊和脈沖雜訊，對影像中的孤立雜訊點具有較強的抑制能力。
能夠較好地保留影像的邊緣和細節資訊，不會造成影像模糊。
中值濾波的缺點:
對高斯雜訊的去除效果不佳。
計算量相對較大，特別是對於大尺寸影像而言。
2.2 高斯濾波
高斯濾波是一種 線性 平滑濾波器，它利用高斯函式對影像進行加權平均，可以有效地去除高斯雜訊，同時平滑影像。
高斯濾波的優點:
高斯濾波具有良好的平滑效果，能夠有效地抑制影像中的雜訊。
高斯濾波是一種線性濾波器，具有可分離性，可以提高計算效率。
高斯濾波在頻域上具有低通濾波器的特性，能夠去除影像中的高頻雜訊。
高斯濾波的缺點:
高斯濾波會造成影像細節遺失，降低影像銳度。
高斯濾波對椒鹽雜訊等非平滑雜訊的去除效果不佳。
高斯濾波以使用兩種方法實作：一種是離散化視窗滑窗摺積，另一種方法是透過傅立葉變化。最常見的就是滑窗摺積實作。
先來回顧一下一維高斯函式：
其中，是 x 的均值，是 x 的變異數。x 是摺積核內任意一點的座標，是摺積核中心的座標。當 = 0 時，
由於影像是二維的，二維的高斯函式則是對 x、y 兩個方向的一維高斯函式的乘積：
當時，就是我們比較熟悉的二維高斯函式公式：
常用的高斯樣版有如下幾種形式，它們是基於高斯函式計算出來的。
高斯濾波具有以下性質：
線性: 高斯濾波器是線性的，這意味著它可以與其他濾波器組合使用。例如，可以先使用高斯濾波器去除雜訊，然後再使用邊緣檢測濾波器檢測邊緣。
可分離性: 高斯濾波器可以分離為兩個一維濾波器，即水平方向和垂直方向的濾波器。這使得高斯濾波器的計算效率更高。
傅立葉變換: 高斯濾波器的傅立葉變換是一個低通濾波器，這意味著它可以抑制影像中的高頻成分，而保留低頻成分。
旋轉不變性: 高斯濾波器在各個方向上具有相同的平滑效果，這意味著它不會改變影像的旋轉方向。
尺度不變性: 高斯濾波器的尺度可以透過調整高斯函式的標準差來控制。標準差越大，濾波器的平滑效果越強。
下面的例子，分別使用中值濾波和高斯濾波消除椒鹽雜訊和高斯雜訊。
intmain(){
Mat src = imread(".../girl.jpg");
imshow("src", src);
Mat result;
Mat dst1;
addSaltNoise(src,100000,dst1);
imshow("addSaltNoise", dst1);
int a = 7;
medianBlur(dst1, result,a);
imshow("removeSaltNoise", result);
Mat dst2;
addGaussianNoise(src, 0, 50,dst2);
imshow("addGaussianNoise", dst2);
GaussianBlur(dst2, result, Size(15, 15), 0, 0);
imshow("removeGaussianNoise", result);
waitKey(0);
return0;
}
3. 總結
影像降噪可以提高影像品質、提高影像分析和處理的準確性、提高影像壓縮效率以及擴充套件影像套用範圍。
本文介紹了兩種簡單的降噪演算法。中值濾波適用於去除椒鹽雜訊和脈沖雜訊，常用於影像修復和增強。高斯濾波適用於去除高斯雜訊、平滑影像，常用於影像預處理和模糊處理。
系統化學習直接掃碼檢視
推薦閱讀
