图像平均及其在降噪方面的应用

Posted MingChaoSun

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了图像平均及其在降噪方面的应用相关的知识,希望对你有一定的参考价值。

图像平均及其在降噪方面的应用

图像平均以及图像平均在应对椒盐/高斯/相机噪声方面的对比分析

概述:

图像平均操作是减少图像噪声的一种简单方式。

我们可以简单地从图像列表中计算出一幅平均图像。

假设所有的图像具有相同的大小,我们可以将这些图像简单地相加,然后除以图像的数目,来计算平均图像。

算法步骤:

对列表中的数字图像进行图像平均的处理顺序如下:

  • a.输入或者获取文件名列表

  • b.读取路径列表中的图像文件,转化为数组进行相加

  • c.将累加结果除以图像数量,进行平均

  • d.将平均结果构建为图片

  • e.输出图像

编程实例:

# -*- coding: utf-8 -*-

from PIL import Image

from pylab import *

from numpy import*

import os

#通过目录路径获取其中具有特定后缀名(JPG)的文件名列表
def get_imlist(path):

    return [os.path.join(path,f) for f in os.listdir(path) if f.endswith('.JPG')]

#读取路径列表中的图片,进行简单相加,并除以文件数量
def compute_average(imlist):

    averageim = array(Image.open(imlist[0]), 'f')

    for imname in imlist[1:]:

        try:

            averageim += array(Image.open(imname))

        except:

            print imname + '...skipped'

    averageim /= len(imlist)

    return array(averageim, 'uint8')

#通过样本文件夹路径获取图片样本
imlist = get_imlist("./photosource3")

#进行图片平均
im_a = compute_average(imlist)

#显示图片
imshow(im_a)

show()         

降噪——椒盐噪声:

这里我使用之前博客(《椒盐噪声》)中提到的生成椒盐噪声的方法,对同一张图片使用0.8的SNR(信噪比)连续生成8张带有大量椒盐噪声的测试图片,并对其进行平均操作:


椒盐噪声的生成 SaltAndPepperNoise.py:

# -*- coding: utf-8 -*-

from PIL import Image

from pylab import *

from numpy import*

#读取图片,灰度化,并转为数组
img = im = array(Image.open('./source/test.jpg').convert('L'))

#信噪比
SNR = 0.8

#计算总像素数目 SP, 得到要加噪的像素数目 NP = SP * (1-SNR)
noiseNum=int((1- SNR)*img.shape[0]*img.shape[1])

#于随机位置将像素值随机指定为0或者255
for i in range(noiseNum):

    randX=random.random_integers(0,img.shape[0]-1)  

    randY=random.random_integers(0,img.shape[1]-1)  

    if random.random_integers(0,1)==0:  

        img[randX,randY]=0  

    else:  

        img[randX,randY]=255   

#显示图像
gray()

imshow(img)

show()         


原图

这里写图片描述

椒盐噪声图之一(SNR = 0.8):

这里写图片描述

图像平均(4张):

这里写图片描述

图像平均(8张):

这里写图片描述

可以看出,图像平均起到了一定的降噪效果,并且随着平均图片的增加,清晰度也显著增加,相对于椒盐噪声,虽然然均值率滤波的信噪比比较低,去除椒盐噪声最常用的算法是中值滤波,但是直观的效果上图像平均是最好的,毕竟是基于多张图片的降噪方式。与此同时,面对高斯噪声,仍然是图像平均法在直观效果上比较优秀,下面我们测试一下高斯噪声。

降噪——高斯噪声:

这里我使用之前博客(《高斯噪声》)中提到的生成高斯噪声的方法,对同一张图片使用sigma = 30连续生成8张带有大量高斯噪声的测试图片,并对其进行平均操作:

高斯噪声的生成 GaussNoise.py:

# -*- coding: utf-8 -*-

from PIL import Image

from pylab import *

from numpy import*

import random

#读取图片并转为数组
im = array(Image.open('./source/test.jpg'))

#设定高斯函数的偏移
means = 0

#设定高斯函数的标准差
sigma = 30

#r通道
r = im[:,:,0].flatten()

#g通道
g = im[:,:,1].flatten()

#b通道
b = im[:,:,2].flatten()



#计算新的像素值
for i in range(im.shape[0]*im.shape[1]):

    pr = int(r[i]) + random.gauss(0,sigma)

    pg = int(g[i]) + random.gauss(0,sigma)

    pb = int(b[i]) + random.gauss(0,sigma)

    if(pr < 0):

    pr = 0

    if(pr > 255):

    pr = 255

    if(pg < 0):

    pg = 0

    if(pg > 255):

    pg = 255

    if(pb < 0):

    pb = 0

    if(pb > 255):

    pb = 255

    r[i] = pr


    g[i] = pg


    b[i] = pb


im[:,:,0] = r.reshape([im.shape[0],im.shape[1]])

im[:,:,1] = g.reshape([im.shape[0],im.shape[1]])

im[:,:,2] = b.reshape([im.shape[0],im.shape[1]])

#显示图像

imshow(im)

show()         

高斯噪声图之一(sigma = 30):

这里写图片描述

图像平均(4张):

这里写图片描述

图像平均(8张):

这里写图片描述

可以很明显的看出,图像平均的降噪效果还是比较明显的,随着平均图片的增加,清晰度逐渐增加,根据从网上找到的一篇论文的描述,常规降噪方法中,图像平均是直观效果最好的方法。

降噪——相机噪声:

相机在高感光度下拍摄照片会明显看到大量噪点,感光度越高噪点越多,相机拍摄照片时产生的噪点来自于传感器噪点。

数码相机传感器中的每个像素上都有一个或者更多光电二极管,光电二极管把落在象素上的光子转化为电子信号,然后计算出颜色值和其他值,最终构成一幅完整的图像。如果同一个象素在同一个进光量下曝光数次,该象素得出的颜色值可能会不尽相同,而这些微小的差异就形成了传感器的噪点。

就算在没有光进入传感器的情况下,传感器本身的电子运动也会产生一些信号,额外的信号便是噪音。

象素面积越小,产生噪点的机会越多,这就是小型数码相机照出来的相片噪点较多的原因(相对于数码单反)。专业级照相机通常拥有高质量的象素和强大的图像处理器,把噪点水平降到最低,甚至在高感光度下没有噪点出现。

这里我用老爸的单反对着我小时候的水粉画在同一位置用25600的高ISO连续拍了一组样本,照片太大,上传的图片已经压缩过了,在最后我会提供下载链接,下面是平均结果:

相机噪声图信息:

这里写图片描述

相机噪声图之一(ISO = 25600):

这里写图片描述

图像平均(14张):

这里写图片描述

可以比较明显的看出,红色蓝色波纹状的噪点基本都消失了,效果还是非常理想的。

结语:

本篇博客主要介绍了图像平均以及图像平均在应对椒盐/高斯/相机噪声方面的对比分析,总体来讲作为使用多张照片的降噪方式,虽然实现与原理十分简单,但是极大程度的保留了图片信息,直观效果非常明显,希望这篇博文对大家有所帮助~

照片样本下载地址:

http://download.csdn.net/detail/sunmc1204953974/9426150

以上是关于图像平均及其在降噪方面的应用的主要内容,如果未能解决你的问题,请参考以下文章

python的opencv实现降噪

耳机是如何实现降噪的

取前 3 帧的平均值/平均值是啥意思

OpenCV 实战:3 步实现图像降噪

python使用matplotlib可视化pandas dataframe指定数据列原始数据及其指数移动(滚动)平均结果数据列的对比可视化图像(Exponential Moving Average)

(深度学习快速入门)自编码器及其变体(关键词:自编码器堆叠降噪变分AESAESDAEVAE)