行业知识
图像预处理（2）图像去噪之常见的去噪方法
二、去噪的方法
书接上回，上回说到噪声有高斯噪声，泊松噪声，椒盐噪声，瑞利噪声，爱尔兰（伽马）噪声，均匀噪声，周期性分布噪声还有指数分布噪声（求指数分布噪声python的代码资源）没看过之前博客的小伙伴们请点击下方连接急速空降哦~
图像预处理（2）图像去噪之噪声的分类-CSDN博客
今儿咱看看图像去噪中常见的去噪方法（如有其他好的方法欢迎评论一起学习进步哦~）
有以下几种：
（大多是都是直接调用OpenCV库函数，因为我的侧重点不在此处，所以就是找现成的来用可以节省很多时间，如果大家想要弄清原理的请提前退出哈，不占用大家时间了）
1.均值滤波（Mean Filter）：
将每个像素的值替换为其周围像素值的平均值，适用于轻度高斯噪声。
import cv2# 读取图像image = cv2.imread('xxx.jpg', 0)# 应用均值滤波filtered_image = cv2.blur(image, (5, 5))# 显示原始图像和滤波后的图像cv2.imshow('Original Image', image)cv2.imshow('Mean Filtered Image', filtered_image)cv2.waitKey(0)cv2.destroyAllWindows() 结果图：
在查找资料时有人把均值滤波分为三类：算数平均滤波、几何均值滤波、谐波平均滤波
并且提出了统计排序滤波分为：中值滤波、最大值和最小值滤波、中点滤波、修正阿尔法均值滤波
（此处不详细介绍了，如果有想知道的请移步↓图像噪声、去噪基本方法合集（Python实现）_点降噪代码python-CSDN博客）
2.中值滤波（Median Filter）：
顾名思义就是将每个像素的值替换为其周围像素值的中值，适用于椒盐噪声。
import cv2import numpy as np# 读取图像image = cv2.imread('xxx.jpg', 0)# 定义中值滤波函数def median_filter(image, kernel_size): height, width = image.shape output = np.zeros((height, width), dtype=np.uint8) pad = kernel_size // 2 for i in range(pad, height - pad): for j in range(pad, width - pad): window = image[i - pad:i + pad + 1, j - pad:j + pad + 1] output[i, j] = np.median(window) return output# 设置滤波器大小kernel_size = 3# 调用中值滤波函数filtered_image = median_filter(image, kernel_size)# 显示原始图像和滤波后的图像cv2.imshow('Original Image', image)cv2.imshow('Median Filtered Image', filtered_image)cv2.waitKey(0)cv2.destroyAllWindows() 结果图：
3.高斯滤波（Gaussian Filter）：
使用高斯核对图像进行平滑处理，适用于高斯噪声。
import cv2import numpy as npfrom PIL import Image# 对图像添加高斯噪声def add_gauss_noise(image, mean=0, val=0.01): size = image.shape # 对图像归一化处理 image = image / 255 gauss = np.random.normal(mean, val ** 0.05, size) image = image + gauss return image#读取图像img = cv2.imread('xxx.jpg')if img is None: print('Failed to read the image')#图片是否存在cv2.imshow('img', img)cv2.waitKey(0)img1 = add_gauss_noise(img)#img不要改cv2.imshow('img1', img1)cv2.waitKey(0)img2 = cv2.GaussianBlur(img1, (0, 0), 1, 2)# ksize高斯矩阵的长宽 ksize高斯内核大小。# ksize.width和ksize.height可以不同，但它们都必须为正数和奇数，也可以为零# sigmaX：X方向上的高斯核标准偏差# sigmaY Y方向上的高斯核标准差# 如果sigmaY为零，则将其设置为等于sigmaX；# 如果两个sigmas为零，则分别从ksize.width和ksize.height计算得出# dst输出图像的大小和类型与src相同。#下面是我变换了一些参数img3 = cv2.GaussianBlur(img1, (9, 9), 1, 2)# cv_show('img3', img3)img4 = cv2.GaussianBlur(img1, (3, 3), 100, 2)# cv_show('img4', img4)img5 = cv2.GaussianBlur(img1, (3, 3), 1, 200)# cv_show('img5', img5)#进行显示vs2 = np.hstack((img2, img3)) # 水平堆叠vs3 = np.hstack((img4, img5)) # 水平堆叠result = np.vstack((vs2, vs3)) #垂直堆叠cv2.imshow('result', result)cv2.waitKey(0) 调用了库中的cv2.GaussianBlur函数，函数的具体参数请见代码中的注释
结果图：img为原图，下面是添加噪声之后的图片，右边四幅为改变不同参数后的输出结果
4.小波去噪（Wavelet Denoising）：
利用小波变换将信号分解为不同频率的子带，然后通过阈值处理去除噪声。
import cv2import numpy as npfrom pywt import dwt2, idwt2from PIL import Imageimg = cv2.imread('xxx.jpg')# 灰度变换gray_img = cv2.cvtColor(img, code=cv2.COLOR_BGR2GRAY) # 灰度化cv2.imshow("gray_img", gray_img)cv2.waitKey(0) # 等待按键命令cv2.destroyAllWindows()#对img进行haar小波变换：cA, (cH, cV, cD) = dwt2(gray_img, 'haar')#小波变换之后，低频分量对应的图像：zhangwen_a = cv2.imwrite('zhangwen_a.png', np.uint8(cA / np.max(cA) * 255))cv2.destroyAllWindows()# 小波变换之后，水平方向高频分量对应的图像：zhangwen_h = cv2.imwrite('zhangwen_h.png', np.uint8(cH / np.max(cH) * 255))# 小波变换之后，垂直平方向高频分量对应的图像：zhangwen_v = cv2.imwrite('zhangwen_v.png', np.uint8(cV / np.max(cV) * 255))# 小波变换之后，对角线方向高频分量对应的图像：zhangwen_d = cv2.imwrite('zhangwen_d.png', np.uint8(cD / np.max(cD) * 255))# 根据小波系数重构回去的图像rimg = idwt2((cA, (cH, cV, cD)), 'haar')cv2.imwrite('rimg.png', np.uint8(rimg)) 结果图：图片上方有该图片的名字可以对照着来看
5.非局部均值去噪（Non-Local Means Denoising）：
利用图像中相似区域的信息来去除噪声，适用于保留图像细节的情况。
import cv2# 读取图像image = cv2.imread('xxx.jpg')# 应用非局部均值去噪denoised_image = cv2.fastNlMeansDenoisingColored(image, None, 10, 10, 7, 21)#其中，src为待处理的彩色图像（xxx.jpg）# h为控制噪声去除强度的参数# hForColorComponents为控制彩色分量权重的参数# templateWindowSize和searchWindowSize分别为局部均值计算和搜索窗口的大小# 显示原始图像和去噪后的图像cv2.imshow('Original Image', image)cv2.imshow('Denoised Image', denoised_image)cv2.waitKey(0)cv2.destroyAllWindows() cV2.fastNlMeansDenoisingColored是OpenCV库中的一个函数，用于去除彩色图像中的噪声。它是一种基于非局部均值去噪算法的改进版本，速度较快，适用于处理较大的图像。该函数的输入为待处理的彩色图像，输出为去噪后的图像。它的使用方法如下:
dst = cv2.fastNlMeansDenoisingColored(src, h，hForColorComponents,templatewindowSize，searchwindowSize)
-
h: 决定滤波器的强度，值越大表示滤波器越强，去噪效果越明显。通常取值范围在10到30之间。
-
hForColorComponents: 控制彩色分量的权重，可以单独调整每个颜色通道的权重。较大的值将增加对彩色信息的保留，较小的值将更多地依赖灰度信息。通常取值范围在10到30之间。
-
templateWindowSize和searchWindowSize: 这两个参数影响了滤波器的窗口大小，较大的窗口可以更好地捕捉图像的结构信息，但会增加计算复杂度。通常取值范围在5到21之间。
通过调整这些参数，特别是hForColorComponents参数，可以自己控制彩色分量的权重，从而影响非局部均值去噪的效果。可以根据自己的需求和图像特性，尝试不同的参数组合来获得最佳的去噪效果。
在实际应用中，可以通过尝试不同的参数值并观察结果来选择最适合的参数组合。您可以根据具体的图像和要求进行调整，以达到最佳的去噪效果。
6.总变差去噪（Total Variation Denoising）：
通过最小化图像的总变差来去除噪声，适用于保持图像边缘的情况。Python 中的总变差去噪（Total Variation Denoising）是一种常见的图像处理技术，可以用来去除图像中的噪声和平滑图像。总变差去噪的核心思想是通过最小化图像的总变差来实现去噪。
import numpy as npimport cvxpy as cpfrom matplotlib import pyplot as pltdef total_variation_denoising(image, lambda_tv=0.1, num_iters=100): height, width = image.shape x = cp.Variable((height, width)) objective = cp.Minimize(cp.norm(x - image, 'fro') + lambda_tv * cp.tv(x)) constraints = [] problem = cp.Problem(objective, constraints) problem.solve(max_iters=num_iters) denoised_image = x.value return denoised_image# 读取图像image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)# 转换为浮点数image = image.astype(np.float64)# 应用总变差去噪denoised_image = total_variation_denoising(image, lambda_tv=0.1, num_iters=100)# 显示原始图像和去噪后的图像plt.subplot(1, 2, 1)plt.imshow(image, cmap='gray')plt.title('Original Image')plt.axis('off')plt.subplot(1, 2, 2)plt.imshow(denoised_image, cmap='gray')plt.title('Denoised Image')plt.axis('off')plt.show() 在此代码运行过程中需要下载cvxpy库，下载的过程中我用的清华大学的镜像网站没有下载成功，我就去查阅到了相关资料，需要下载一个.whl文件，网址如下↓
Archived: Python Extension Packages for Windows - Christoph Gohlke (uci.edu)
网站截图如下↓ 需要选择对应自己Python版本的.whl文件
eg：python版本为3.10，64位的就要下载文件为cp38和amd64，也就是下图所示标红的文件
不过我的python是3.11的，这个方法就用不了咯，我还是选择老老实实的直接下载吧，下的贼慢还总容易超时最后也没有下载下来（逐渐烦躁ing），如果有什么好的下载方法欢迎评论哦~
在 Python 中，你可以使用以下库来实现总变差去噪：
-
NumPy：NumPy 是一个 Python 库，用于科学计算和数值操作。使用 NumPy 可以方便地进行矩阵运算和数值计算，包括实现总变差去噪。
-
SciPy：SciPy 是一个 Python 库，包含许多科学计算的工具和算法。SciPy 中包括了用于图像处理的模块，可以用来实现总变差去噪。
-
OpenCV：OpenCV 是一个开源计算机视觉库，可以用于图像处理和计算机视觉应用。OpenCV 提供了很多图像处理函数和算法，包括总变差去噪算法。OpenCV-Python 图像去噪 | 五十九 - 掘金 (juejin.cn)
from PIL import Imageimport numpy as np#定义总变差去噪函数def total_variation_denoise(image, weight=0.2, num_iter=100): u = np.copy(image) px = np.zeros_like(image) py = np.zeros_like(image) tau = 0.125 for _ in range(num_iter): u_old = u # 计算梯度 grad_x = np.roll(u, -1, axis=1) - u # 计算了数组 u 在水平方向上的梯度，并将结果存储在变量 grad_x 中。 grad_y = np.roll(u, -1, axis=0) - u # np.roll(a, shift, axis=None) # a: 要进行移位操作的数组。 # shift: 移位的数量，可以是正数（向右移动）或负数（向左移动）。 # axis: 沿着哪个轴进行移位操作，默认为 None，表示数组会被展平后进行移位。 # 更新梯度 px_new = px + tau * weight * grad_x py_new = py + tau * weight * grad_y norm = np.maximum(1, np.sqrt(px_new ** 2 + py_new ** 2)) # NumPy库中的np.maximum函数来计算给定参数的最大值。 # 计算px_new和py_new的欧几里德范数，然后将这个范数与1进行比较，返回一个新数组 # 其中每个元素是对应位置上的最大值，即要么是欧几里德范数的值，要么是 1中的较大值。 px = px_new / norm py = py_new / norm # 计算了向量(px_new, py_new)的单位向量，并将归一化后的结果存储在(px, py)中。 # 更新图像 rx = np.roll(px, 1, axis=1) ry = np.roll(py, 1, axis=0) p_p = (px - rx) + (py - ry) u = u + tau * p_p return u# 读取图像文件image_path = "xxx.jpg"image = Image.open(image_path)# 将图像转换为数组image_array = np.array(image)# 打印数组的形状和数据类型(可以不打印)print("Image Array Shape:", image_array.shape)print("Image Array Data Type:", image_array.dtype)# 添加高斯噪声noisy_image = image_array + 50 * np.random.rand(*image_array.shape)#50可以根据需求增加或减少# 如果没有图像可以采用下面的随机生成图像# # np.random.seed(42)# # image = np.random.rand(100, 100)# noisy_image = image + 0.1 * np.random.rand(100, 100)# 使用Total Variation去噪denoised_image = total_variation_denoise(noisy_image, weight=0.1, num_iter=100)#noisy_image 是输入的带有噪声的图像。（不需要改）#weight=0.1 是指定的总变差正则化项的权重，控制平滑度和保留细节之间的平衡。#较小的权重值会导致更平滑的图像，而较大的权重值会保留更多细节但可能会保留更多噪声。#num_iter=100 是指定的迭代次数，即算法执行的总变差去噪迭代次数。#较多的迭代次数可以更好地去除噪声，但也可能导致过度平滑。#权重和迭代次数需要自己根据实际情况进行更改# 显示原始图像、带噪声图像和去噪后的图像import matplotlib.pyplot as pltplt.figure(figsize=(10, 5))#创建新图形窗口的函数，这里宽度设置为10英寸，高度设置为5英寸plt.subplot(131)# 将当前的图形窗口分割成1行3列并选择第1个子图作为当前绘图区域。plt.imshow(image, cmap='gray')#以灰度的方式显示图像数据。plt.title('Original Image')plt.axis('off')#关闭坐标轴的显示（可以选择不加）plt.subplot(132)plt.imshow(noisy_image, cmap='gray')plt.title('Noisy Image')plt.axis('off')plt.subplot(133)plt.imshow(denoised_image, cmap='gray')plt.title('Denoised Image')plt.axis('off')plt.show() 结果图：
附：下载python库使用的国内镜像网站
我发现我身边的一些朋友刚接触Python的时候不知道要用镜像，估计看我文章的应该都会用国内镜像吧，不会的我在这里统一教一下吧
首先是几个国内的pip网站↓：
阿里云 http://mirrors.aliyun.com/pypi/simple/
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
豆瓣(douban) http://pypi.douban.com/simple/
清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/
中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/
ps：我个人用的清华大学的，用下来的感觉也不错，感觉还挺全的，其他的好像最开始的时候用过几个好像不太好用，之后才用的清华大学的，时间有点久了忘记了，如果想省事的话直接用清华的，强推(๑•̀ㅂ•́)و✧
下载包的格式就是：
pip install cvxpy -i http://pypi.mirrors.ustc.edu.cn/simple/ #cvxpy就是你要下的库的名字#http://pypi.mirrors.ustc.edu.cn/simple/#是清华大学的镜像网址，可以替换成上述其他的网址
我下载了pycharm↓:
没下pycharm的应该在电脑终端下载（之前在哪里下现在还在那里下，只不过指令不一样而已）
写在后面的话：
图像去噪到此就告一段落啦，此篇文章仅供参考，目的是为了可以更好的梳理自己所查阅的知识，同时也希望可以让大家找资料的时候方便一些吧，文章中如果存在一些问题请即使和我沟通哈，如果大家有什么更好的提议也可以互相交流呀，谢谢大家啦
如果有对掌纹方面或者识别方面感兴趣的欢迎大家加我的QQ哦~
qq：2311035985（为了研究新开的小号嘿嘿，放心加啦）
如果有什么好的提议或见解也欢迎大家加我QQ一起讨论哦~
