使用Python中的OpenCV降噪功能增強(qiáng)圖像的3個(gè)步驟

重磅干貨，第一時(shí)間送達(dá)

在本文中，我們將展示如何通過(guò)三個(gè)簡(jiǎn)單的步驟來(lái)實(shí)現(xiàn)降噪。我們將使用機(jī)器學(xué)習(xí)訓(xùn)練的降噪模型。這是我們找到的最好的降噪模型之一。

程序可以判斷圖像是否有噪點(diǎn)嗎？這對(duì)于另一個(gè)項(xiàng)目可能是個(gè)主意，因?yàn)槲覀兊慕翟肽Ｐ筒粔蛑悄埽瑹o(wú)法計(jì)算出噪聲。因此我們必須自己確定。在這種情況下，最好的方法通常是嘗試不同的值并找到最佳結(jié)果。經(jīng)過(guò)一些練習(xí)，我們會(huì)獲得更多經(jīng)驗(yàn)，并且找到最佳參數(shù)值。

在這個(gè)項(xiàng)目中，我們將使用三個(gè)Python軟件包：OpenCV，Matplotlib和NumPy。OpenCV是一個(gè)非常知名的計(jì)算機(jī)視覺(jué)工具包。作為OpenCV庫(kù)的先決條件，我們將需要安裝NumPy。讀取圖像時(shí)，我們將像素轉(zhuǎn)換為數(shù)組。NumPy將在后臺(tái)進(jìn)行該操作。當(dāng)處理多維數(shù)組時(shí)，NumPy是足夠的。

這是該項(xiàng)目非常有趣的部分。首先，我將分享我們將用于減少噪聲的算法。然后，我將分享它具有多少個(gè)參數(shù)以及每個(gè)參數(shù)的含義。

圖片中的黃色區(qū)域看起來(lái)很像。另外，綠色的小區(qū)域也看起來(lái)很相似。非局部均值去噪算法選擇一個(gè)像素，在其周圍取一個(gè)小窗口，掃描圖像以獲得相似的窗口，對(duì)所有窗口求平均，然后計(jì)算結(jié)果以替換該像素。該算法被稱為非本地算法，因?yàn)樗阉髡麄€(gè)圖像以找到相互聯(lián)系，而不僅僅是在單個(gè)區(qū)域周圍。那不是很酷嗎？

該算法包含兩個(gè)常用函數(shù)：fastNlMeansDenoising和fastNlMeansDenoisingColored。第一個(gè)用于灰度圖像，第二個(gè)用于彩色照片。在我們的例子中，我們將使用彩色圖像。

該函數(shù)的參數(shù)為src，dst，h，hcolor，templateWindowSize，和searchWindowSize。

src：我們要進(jìn)行降噪的輸入圖像。

dst：如果要導(dǎo)出結(jié)果，則為目的地。

h：亮度分量（較大的h值會(huì)消除更多的噪點(diǎn)，但也會(huì)降低圖像的質(zhì)量）。

hcolor：顏色分量（這10是彩色圖像文檔中的推薦值）。

templateWindowSize：該功能將平滑的區(qū)域的像素大小。它應(yīng)該是一個(gè)奇數(shù)整數(shù)。

searchWindowSize：該功能將找到并用作參考的區(qū)域的像素大小。它對(duì)性能產(chǎn)生線性影響：值越大，searchWindowSize表示去噪時(shí)間越長(zhǎng)。另外，它應(yīng)該是一個(gè)奇數(shù)整數(shù)（21是官方文檔推薦的值，因?yàn)樗m用于大多數(shù)嘈雜的圖像情況）。

我們必須安裝兩個(gè)庫(kù)才能使我們的程序正常運(yùn)行：numpy和opencv-python。我們可以使用PIP庫(kù)管理器將它們安裝在一行中：

pip install numpy opencv-python

讓我們繼續(xù)創(chuàng)建一個(gè)新的Jupyter Notebook（但可以隨意使用所需的代碼編寫(xiě)環(huán)境）。這是我的第一個(gè)筆記本塊，我們?cè)谄渲袑?dǎo)入剛剛構(gòu)建的庫(kù)：

import cv2import numpy as np

在這一步中，我們將找到要用于降噪的圖片。為了更清楚地看到更改，它可能是嘈雜的圖片。也可以隨意使用常規(guī)圖像-仍然會(huì)出現(xiàn)平滑現(xiàn)象。

這是我們所使用的圖像：

這是讀取圖像的行。我們正在使用OpenCV的imread方法：

img =cv2.imread("test_image.png")

現(xiàn)在，我們進(jìn)入第三步，也是最后一步，我們將在實(shí)際操作中看到降噪效果。

到目前為止看起來(lái)不錯(cuò)！現(xiàn)在，這是項(xiàng)目的有趣部分。我們將看到降噪后圖像的外觀。我們將使用三個(gè)不同的值運(yùn)行該函數(shù)，以查看每個(gè)值如何影響最終結(jié)果。隨意檢查第一步，以了解每個(gè)參數(shù)代表什么。

denoise_1 = cv2.fastNlMeansDenoisingColored（img，None，3,3,7,21）denoise_2 = cv2.fastNlMeansDenoisingColored（img，None，5,5,7,21）denoise_3 = cv2.fastNlMeansDenoisingColored（img，None，15,15,157,21）

去噪圖像分配給不同的變量。讓我們保存結(jié)果。我們將使用OpenCV的imwrite方法。如您所見(jiàn)，我們傳遞變量和要保存的文件名。

cv2.imwrite（'image_1.png'，denoise_1）cv2.imwrite（'image_2.png'，denoise_2）cv2.imwrite（'image_3.png'，denoise_3）

比較結(jié)果

我們可以按順序看到它們。值越大，圖像變得越平滑。

這是一張查看前后變化的圖片。我選擇了denoise_1我的最終結(jié)果。

恭喜你！我們開(kāi)發(fā)了一種程序，可以將圖像的噪點(diǎn)降低不同程度。還有許多其他圖像縮小算法。小伙伴可以嘗試一下，然后選擇自己喜歡的。根據(jù)我們的經(jīng)驗(yàn)，它們不如我們?cè)诒疚闹惺褂玫哪菢訌?qiáng)大，即非局部均值降噪算法。一些降噪算法也稱為模糊算法。