图像平均及其在降噪方面的应用

Posted 2020-06-13 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()