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 cv2
import 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 cv2
import numpy as np
from 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 cv2
import numpy as np
from pywt import dwt2, idwt2
from PIL import Image
 
img = 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)

1. 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。

2. 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。

3. 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 np
import cvxpy as cp
from matplotlib import pyplot as plt
 
def 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：

1. 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。

2. 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。

3. 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 Image
import 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)
        div_p = (px - rx) + (py - ry)
        u = u + tau * div_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 plt
 
plt.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~