OpenCV Python 图像去噪实现：fastNlMeansDenoising 详解

OpenCV 图像去噪技术概述

在图像处理中，平滑技术（如高斯模糊和中值模糊）常用于移除少量噪声。这些方法基于像素的局部邻居进行替换操作，假设噪声是均值为零的随机变量，通过计算大量同一像素的平均值来去除噪声。然而，这类传统方法对摄像机和场景的运动并不健壮。

OpenCV 提供了四种基于非局部均值（Non-Local Means）的去噪技术变体，能够更有效地处理复杂噪声：

• cv2.fastNlMeansDenoising：用于单个灰度图像。
• cv2.fastNlMeansDenoisingColored：用于彩色图像。
• cv2.fastNlMeansDenoisingMulti：用于灰度图像序列。
• cv2.fastNlMeansDenoisingColoredMulti：用于彩色图像序列。

关键参数详解

在使用上述函数时，理解以下参数对于平衡去噪效果与细节保留至关重要：

• h (滤波器强度)：决定滤波器的强度。推荐值为 10。较高的 h 值能更好地消除噪声，但可能会删除图像细节；较低的 h 值则保留更多细节，但去噪效果较弱。
• hForColorComponents：仅适用于彩色图像，用于控制颜色分量的去噪强度。
• templateWindowSize：模板窗口大小，应为奇数，推荐值为 7。
• searchWindowSize：搜索窗口大小，应为奇数，推荐值为 21。

单张彩色图像去噪实现

对于单张彩色图像，可以使用 cv2.fastNlMeansDenoisingColored 去除高斯噪声。以下代码展示了如何读取图像、应用去噪算法并显示结果。

import numpy as np
import cv2
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('img.jpg')

# 应用彩色图像去噪算法
# 参数说明：img, None, h=10, hForColor=10, templateWin=7, searchWin=21
dst = cv2.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21)

# 显示原始图像与去噪后图像
plt.subplot(121), plt.imshow(img)
plt.subplot(122), plt.imshow(dst)
plt.show()

视频序列去噪实现

对于视频序列，可以使用 cv2.fastNlMeansDenoisingMulti。该函数的第一个参数是嘈杂帧的列表，第二个参数 imgToDenoiseIndex 指定需要去噪的帧索引，第三个参数 temporalWindowSize 指定附近帧的数量。去噪过程使用总共 temporalWindowSize 帧，其中中心帧为目标帧。

以下示例展示了如何从视频中提取前 5 帧，添加高斯噪声，并对第 3 帧进行去噪处理：

import numpy as np
import cv2
import matplotlib.pyplot as plt

# 打开视频文件
cap = cv2.VideoCapture('test.mp4')

# 创建前 5 帧的列表
img = [cap.read()[1] for i in range(5)]

# 将所有帧转换为灰度图
gray = [cv2.cvtColor(i, cv2.COLOR_BGR2GRAY) for i in img]

# 将所有帧转换为 float64 类型
gray = [np.float64(i) for i in gray]

# 创建方差为 25 的噪声
noise = np.random.randn(*gray[1].shape) * 10

# 将噪声添加到图像中
noisy = [i + noise for i in gray]

# 转换回 uint8 类型
noisy = [np.uint8(np.clip(i, 0, 255)) for i in noisy]

# 对第 3 帧进行去噪，考虑所有 5 帧
# 参数说明：noisy, imgToDenoiseIndex=2, temporalWindowSize=5, None, h=4, templateWin=7, searchWin=35
dst = cv2.fastNlMeansDenoisingMulti(noisy, 2, 5, None, 4, 7, 35)

# 显示原始灰度、加噪后及去噪后的第 3 帧
plt.subplot(131), plt.imshow(gray[2], 'gray')
plt.subplot(132), plt.imshow(noisy[2], 'gray')
plt.subplot(133), plt.imshow(dst, 'gray')
plt.show()

总结

OpenCV 提供的非局部均值去噪算法在处理图像和视频噪声方面表现出色。通过合理调整 h、templateWindowSize 和 searchWindowSize 等参数，可以在去噪效果和细节保留之间找到最佳平衡。无论是单张彩色图像还是视频序列，OpenCV 都提供了相应的函数来满足不同的去噪需求。

以上就是 OpenCV Python 图像去噪实现的详细内容，更多关于 OpenCV 图像处理、Python 计算机视觉的资料请关注本站其它相关文章！