OpenCV图像噪声与去噪函数方法对比使用介绍
共 2659字,需浏览 6分钟
·
2023-07-28 07:09
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 ![]()
微信公众号:OpenCV学堂
关注获取更多计算机视觉与深度学习知识
一:噪声类型与去噪声方法介绍
图像去噪在二值图像分析、OCR识别预处理环节中十分重要,最常见的图像噪声都是因为在图像生成过程中因为模拟或者数字信号受到干扰而产生的,常见的噪声类型有如下:
椒盐噪声
高斯噪声
泊松噪声
乘性噪声
OpenCV中有多个可以降低图像噪声、对图像实现平滑滤波的函数,最常见的就是均值模糊与高斯模糊,它们都可以在一定程度上减低上述几种噪声,另外还有中值模糊、双边模糊、非局部去噪等函数方法可以使用,针对特定种类的噪声,使用有针对性函数与合理的参数可以取得较好的效果:函数名称 去噪效果
blur
对各种噪声都有一定的抑制作用GaussianBlur
对随机噪声比较好,对椒盐噪声效果不好medianBlur
对椒盐噪声效果比较好fastNlMeansDenoising
非局部去噪,速度很慢,可以调参的去噪方法fastNlMeansDenoisingColored
同上,去噪针对彩色图像
对于fastNIMeansDenoising方法来说,只支持输入是灰度图像的,各个参数意义如下:
fastNlMeansDenoising (
src // 输入图像
dst=None, // 输出结果
h=None, // h值越大表示去噪声力度越大,同时细节丢失也越多,默认10即可。
templateWindowSize=None, // 相似性权重计算窗口大小,一般为5~15之间
searchWindowSize=None// 搜索窗口,大小可以设置为相似性计算窗口大小的3~5倍即可。
)
二:程序效果演示
椒盐噪声图像
中值滤波结果
非局部均值去噪声结果
高斯噪声图像
中值滤波结果
非局部均值去噪声结果
Python版本源代码如下:
def denoise_demo():
src = cv.imread("D:/javaopencv/lenanoise2.png")
cv.imshow("input", src)
# 相似窗口大小5, 搜索窗口大小25
# h = 10, h 越大表示去噪声效果越好,细节越丢失
dst = cv.fastNlMeansDenoisingColored(src, None, 15, 15, 7, 21)
gray= cv.cvtColor(src, cv.COLOR_BGR2GRAY)
gret = cv.fastNlMeansDenoising(gray, None, 15, 8, 25)
cv.imshow("denoise", dst)
cv.imshow("result", gret)
cv.imwrite("D:/nim_result.png", dst)
def salt_pepper_noise():
src = cv.imread("D:/javaopencv/lenanoise.png")
cv.imshow("input", src)
# ksize必须是大于1 奇数3\5\7\9\11
dst = cv.medianBlur(src, 5)
cv.imshow("denoise", dst)
cv.imwrite("D:/sp_result.png", dst)
从上面可以看出,对椒盐噪声中值滤波效果比较好,对高斯噪声非局部均值去噪效果比较好!
下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程,即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2:Python视觉实战项目52讲 在「小白学视觉」公众号后台回复:Python视觉实战项目,即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。
下载3:OpenCV实战项目20讲 在「小白学视觉」公众号后台回复:OpenCV实战项目20讲,即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。
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~