一、簡(jiǎn)介：

在數(shù)字圖像處理領(lǐng)域，噪聲一直是影響圖像質(zhì)量的重要因素。無(wú)論是拍攝過(guò)程中的環(huán)境干擾，還是傳輸過(guò)程中的信號(hào)失真，噪聲都可能導(dǎo)致圖像模糊、細(xì)節(jié)丟失，甚至影響后續(xù)的圖像分析和應(yīng)用。為了提高圖像的視覺效果和使用價(jià)值，圖像去噪技術(shù)應(yīng)運(yùn)而生，成為圖像預(yù)處理環(huán)節(jié)中不可或缺的一環(huán)。在本文中介紹幾個(gè)常用的傳統(tǒng)圖像去噪的方法以及其應(yīng)用情景。

二：常用的去噪方法梳理：

在傳統(tǒng)圖像處理領(lǐng)域，去噪技術(shù)是提高圖像質(zhì)量的重要手段。以下是一些常見的去噪技術(shù)：

1. 均值濾波去噪：該方法通過(guò)對(duì)圖像中的每個(gè)像素點(diǎn)及其鄰域內(nèi)的像素點(diǎn)取平均值，來(lái)替代原始像素值，從而實(shí)現(xiàn)去噪。均值濾波簡(jiǎn)單易實(shí)現(xiàn)，但容易導(dǎo)致圖像邊緣模糊。
2. 中值濾波去噪：中值濾波將圖像中每個(gè)像素點(diǎn)與其鄰域內(nèi)的像素點(diǎn)進(jìn)行排序，取中值作為濾波結(jié)果。這種方法在去除噪聲的同時(shí)，能較好地保護(hù)圖像的邊緣信息。
3. 高斯濾波去噪：高斯濾波是一種加權(quán)平均濾波，權(quán)重是根據(jù)高斯函數(shù)計(jì)算得出的。它能夠有效地去除圖像中的高斯噪聲，同時(shí)保留圖像的細(xì)節(jié)。
4. 雙邊濾波去噪：雙邊濾波結(jié)合了空間鄰近度和像素值相似度，是一種保邊緣的濾波方法。它既能去除噪聲，又能保持圖像的邊緣信息。
5. 非局部均值去噪：非局部均值去噪考慮了圖像中重復(fù)的紋理信息，通過(guò)搜索整個(gè)圖像來(lái)尋找相似塊，并進(jìn)行加權(quán)平均。這種方法在去除噪聲的同時(shí)，能更好地保持圖像的細(xì)節(jié)和結(jié)構(gòu)。
6. 引導(dǎo)濾波去噪：引導(dǎo)濾波利用引導(dǎo)圖像與待濾波圖像之間的關(guān)系，對(duì)圖像進(jìn)行局部線性濾波。這種方法在去噪的同時(shí)，能有效保護(hù)圖像的邊緣和細(xì)節(jié)。
7. 小波變換去噪：小波變換將圖像分解為不同尺度和方向的小波系數(shù)，通過(guò)對(duì)這些系數(shù)進(jìn)行閾值處理，達(dá)到去噪的目的。小波變換去噪在去除噪聲的同時(shí)，能較好地保留圖像的紋理和細(xì)節(jié)。

三：簡(jiǎn)述與實(shí)現(xiàn)方法：

3.1均值濾波

均值濾波是一種簡(jiǎn)單的圖像去噪方法，屬于線性濾波器的一種。它的基本思想是用目標(biāo)像素周圍鄰域內(nèi)的像素的平均值來(lái)代替目標(biāo)像素的值，從而消除圖像中的隨機(jī)噪聲。
均值濾波常用于圖像預(yù)處理階段，特別是在需要快速去噪且對(duì)圖像細(xì)節(jié)要求不高的場(chǎng)合或者用于模糊圖像細(xì)節(jié)只保留顏色等圖像低頻信息。

代碼如下：

import cv2
# 讀取圖像
image = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)
# 應(yīng)用3x3的均值濾波
blurred_image = cv2.blur(image, (3, 3))
# 顯示原圖和均值濾波后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Blurred Image', blurred_image)
# 等待按鍵后退出
cv2.waitKey(0)
cv2.destroyAllWindows()

3.2中值濾波

中值濾波是一種非線性的數(shù)字濾波技術(shù)，主要用于去除圖像中的椒鹽噪聲（由離散的黑白像素組成）和其他類型的脈沖噪聲。中值濾波器的核心思想是使用像素鄰域中的像素值的中值來(lái)代替目標(biāo)像素的值。
中值濾波一般都用在黑白蒙版上用來(lái)去除二值化后所帶來(lái)的椒鹽噪聲，以此來(lái)獲取干凈的蒙版。

代碼如下：

import cv2# 讀取圖像
image = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)
# 應(yīng)用3x3的中值濾波
median_filtered_image = cv2.medianBlur(image, 3)
# 顯示原圖和均值濾波后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Median Filtered Image', median_filtered_image)
# 等待按鍵后退出
cv2.waitKey(0)
cv2.destroyAllWindows()

3.3高斯濾波

高斯濾波是一種基于高斯函數(shù)的線性平滑濾波器，用于去除圖像中的噪聲，同時(shí)保留圖像的邊緣和細(xì)節(jié)。它通過(guò)對(duì)圖像中每個(gè)像素的值進(jìn)行加權(quán)平均來(lái)實(shí)現(xiàn)去噪，其中權(quán)重由高斯函數(shù)確定。使用高斯濾波參數(shù)的時(shí)候通常，可以從較小的標(biāo)準(zhǔn)差和核大小開始，逐漸增加，直到找到一個(gè)平衡點(diǎn)，既能有效去除噪聲，又能保留圖像的細(xì)節(jié)。

代碼如下：

import cv2
# 讀取圖像
image = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)
# 應(yīng)用高斯濾波，這里使用3x3的窗口和標(biāo)準(zhǔn)差為2的高斯核
gaussian_filtered_image = cv2.GaussianBlur(image, (3, 3), 2)
# 顯示原圖和高斯濾波后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Gaussian Filtered Image', gaussian_filtered_image)
# 等待按鍵后退出
cv2.waitKey(0)
cv2.destroyAllWindows()

3.4雙邊濾波

雙邊濾波是一種非線性的濾波技術(shù)，用于去除圖像中的噪聲，同時(shí)盡可能保留邊緣細(xì)節(jié)。與高斯濾波器不同，雙邊濾波器考慮了像素之間的空間鄰近性和像素值相似性，從而在去除噪聲的同時(shí)更好地保留邊緣。雙邊濾波器能夠很好地保留圖像的邊緣和細(xì)節(jié)，因?yàn)樗粌H考慮像素的空間鄰近性，還考慮像素值的相似性。但相應(yīng)的雙邊濾波器的計(jì)算復(fù)雜度較高，推理時(shí)間相對(duì)較慢。

代碼如下：

import cv2# 讀取圖像
image = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)
# 應(yīng)用雙邊濾波，這里使用3x3的窗口
bilateral_filtered_image = cv2.bilateralFilter(image, 9, 25, 25)
# 顯示原圖和雙邊濾波后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Bilateral Filtered Image', bilateral_filtered_image)
# 等待按鍵后退出
cv2.waitKey(0)
cv2.destroyAllWindows()

雙邊濾波有三個(gè)參數(shù)

1. diameter: 鄰域大小，以像素為單位。這個(gè)參數(shù)決定了濾波器的鄰域大小。較大的直徑可以覆蓋更多的像素，從而更好地平滑噪聲，但可能會(huì)模糊邊緣。較小的直徑則可以更好地保留邊緣細(xì)節(jié)，但去噪效果可能不夠理想。
2. sigmaColor: 顏色空間相似性的權(quán)重。較大的值會(huì)更多地平滑顏色差異較大的像素，而較小的值會(huì)更多地保留顏色差異較大的像素。這個(gè)參數(shù)控制了顏色空間內(nèi)的相似性權(quán)重。
3. sigmaSpace: 空間鄰近性的權(quán)重。較大的值會(huì)更多地平滑空間上相鄰的像素，而較小的值會(huì)更多地保留空間上相鄰的像素。這個(gè)參數(shù)控制了空間鄰近性權(quán)重。的權(quán)重值可以更好地保留邊緣，但去噪效果可能不夠理想。

3.5非局部均值去噪

非局部均值去噪（Non-Local Means Denoising）是一種基于圖像內(nèi)容相似性的去噪方法，它通過(guò)搜索圖像中的相似塊，并計(jì)算這些相似塊的平均值來(lái)估計(jì)目標(biāo)像素的值，從而實(shí)現(xiàn)去噪。這種方法特別適用于去除高斯噪聲和其他類型的隨機(jī)噪聲

代碼如下：

import cv2
# 讀取圖像
image = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)
# 應(yīng)用非局部均值去噪
non_local_filtered_image = cv2.fastNlMeansDenoising(image, None, 10，10, 10, 7)
# 顯示原圖和非局部均值去噪后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Non-Local Means Filtered Image', non_local_filtered_image)
# 等待按鍵后退出
cv2.waitKey(0)
cv2.destroyAllWindows()

其參數(shù)為：

1. image: 輸入圖像，可以是灰度圖像或彩色圖像。
2. dst: 輸出圖像，用于存儲(chǔ)去噪后的結(jié)果。如果不指定，則由函數(shù)自動(dòng)分配。
3. h: 噪聲估計(jì)的標(biāo)準(zhǔn)差。該參數(shù)控制了去噪的強(qiáng)度，較大的值會(huì)更多地去除噪聲，但可能會(huì)模糊圖像的細(xì)節(jié)。較小的值則可以更好地保留細(xì)節(jié)，但去噪效果可能不夠理想。
4. hforcolorcomponents：與h相同，但僅用于彩色圖像。（通常與H相同）
5. templateWindowSize: 模板窗口大小，以像素為單位。較大的值可以覆蓋更多的像素，從而更好地平滑噪聲，但可能會(huì)模糊邊緣。較小的值則可以更好地保留邊緣細(xì)節(jié)，但去噪效果可能不夠理想。
6. searchWindowSize: 搜索窗口大小，以像素為單位。較大的值可以覆蓋更多的像素，從而更好地平滑噪聲，但可能會(huì)模糊邊緣。較小的值則可以更好地保留邊緣細(xì)節(jié)，但去噪效果可能不夠理想。

3.6引導(dǎo)濾波去噪

**引導(dǎo)濾波（Guided Filter）**是一種無(wú)監(jiān)督的線性濾波器，它能夠根據(jù)輸入圖像和引導(dǎo)圖像（Guide Image）來(lái)估計(jì)輸出圖像。引導(dǎo)濾波去噪是引導(dǎo)濾波的一種應(yīng)用，它利用引導(dǎo)圖像來(lái)指導(dǎo)濾波器去除噪聲，從而保留圖像的細(xì)節(jié)。

代碼如下：

def guidedfilter(I, p, r, eps):# 獲取圖像的高度和寬度height, width = I.shape# 計(jì)算引導(dǎo)圖像I的局部均值m_I = cv2.boxFilter(I, -1, (r, r))# 計(jì)算輸入圖像p的局部均值m_p = cv2.boxFilter(p, -1, (r, r))# 計(jì)算引導(dǎo)圖像I和輸入圖像p的局部乘積的均值m_Ip = cv2.boxFilter(I * p, -1, (r, r))# 計(jì)算引導(dǎo)圖像I和輸入圖像p的局部協(xié)方差cov_Ip = m_Ip - m_I * m_p# 計(jì)算引導(dǎo)圖像I自身的局部協(xié)方差，即局部方差m_II = cv2.boxFilter(I * I, -1, (r, r))var_I = m_II - m_I * m_I# 估計(jì)線性系數(shù)aa = cov_Ip / (var_I + eps)# 估計(jì)線性系數(shù)bb = m_p - a * m_I# 對(duì)系數(shù)a和b進(jìn)行全局均值濾波，得到平滑的系數(shù)m_a = cv2.boxFilter(a, -1, (r, r))m_b = cv2.boxFilter(b, -1, (r, r))# 計(jì)算輸出圖像，即m_a * I + m_breturn m_a * I + m_b

參數(shù)說(shuō)明：
I: 輸入圖像，可以是灰度圖像或彩色圖像。
p: 引導(dǎo)圖像，用于指導(dǎo)濾波器。引導(dǎo)圖像應(yīng)與輸入圖像具有相同的尺寸和類型。
r: 引導(dǎo)濾波器的半徑，以像素為單位。較大的半徑可以覆蓋更多的像素，從而更好地平滑噪聲，但可能會(huì)模糊邊緣。較小的半徑則可以更好地保留邊緣細(xì)節(jié)，但去噪效果可能不夠理想。
eps: 引導(dǎo)濾波器的正則化參數(shù)。較大的值可以更好地平滑噪聲，但可能會(huì)模糊圖像的細(xì)節(jié)。較小的值則可以更好地保留細(xì)節(jié)，但去噪效果可能不夠理想。

3.7小波變換去噪

**小波變換（Wavelet Transform）**是一種在數(shù)學(xué)和信號(hào)處理中常用的分析工具，它能夠?qū)⒁粋€(gè)信號(hào)或函數(shù)表示為一系列基函數(shù)（小波函數(shù)）的疊加。這些基函數(shù)被稱為小波基，它們是具有特定頻率和時(shí)間特性的函數(shù)。小波變換可以將信號(hào)分解為不同的頻率成分，這些成分稱為小波系數(shù)。常用的小基波有如下幾種：Haar小波、Daubechies小波、Symlet小波等。常用的小波變換集成在pywt庫(kù)中。

安裝：pip install PyWavelets
代碼如下：

import numpy as np
import matplotlib.pyplot as plt
from pywt import Wavelet, dwt2, idwt2
# 讀取圖像
image = plt.imread('image.jpg')  # 假設(shè)圖像以BGR格式讀取
# 轉(zhuǎn)換為灰度圖像
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 選擇小波基，這里使用的是 'db4'
wavelet = Wavelet('db4')
# 執(zhí)行二維離散小波變換
coeffs = dwt2(image_gray, wavelet)
# 顯示小波系數(shù)
titles = ['LL', 'LH', 'HL', 'HH']
coeffs_image = [coeffs[0], coeffs[1][0], coeffs[1][1], coeffs[2]]
for i, a in enumerate(coeffs_image):plt.subplot(2, 2, i + 1), plt.imshow(a, cmap='gray')plt.title(titles[i]), plt.xticks([]), plt.yticks([])plt.show()# 執(zhí)行逆二維離散小波變換，重構(gòu)圖像
reconstructed_image = idwt2(coeffs, wavelet)
# 顯示重構(gòu)后的圖像
plt.imshow(reconstructed_image, cmap='gray')
plt.title('Reconstructed Image'), plt.xticks([]), plt.yticks([])
plt.show()

其中常用的小基波可以選擇下面幾種：

wavelets = [‘db2’, ‘db4’, ‘db6’, ‘db8’, ‘sym2’, ‘sym4’, ‘sym6’, ‘sym8’, ‘coif1’, ‘coif2’, ‘coif3’, ‘coif4’]

其分別代表：

1. Daubechies小波 (‘dbN’):
   ○ N 表示濾波器的階數(shù)，N 越大，濾波器越長(zhǎng)，光滑性越好。
   ○ 常用的階數(shù)有 db2, db4, db6, db8 等。
2. Symlet小波 (‘symN’):
   ○ Symlet小波是Daubechies小波的改進(jìn)版，具有更好的對(duì)稱性。
   ○ 常用的階數(shù)有 sym2, sym4, sym6, sym8 等。
3. Coiflet小波 (‘coifN’):
   ○ Coiflet小波提供了比Daubechies小波更高的消失矩。
   ○ 常用的階數(shù)有 coif1, coif2, coif3, coif4 等。
   在選擇小波基時(shí)，需要考慮以下因素：
   ● 光滑性：階數(shù)較高的Daubechies小波或Symlet小波具有較好的光滑性。
   ● 消失矩：較高的消失矩可以幫助更好地表示信號(hào)的瞬時(shí)特性。
   ● 對(duì)稱性：Symlet小波具有更好的對(duì)稱性，有助于減少相位失真。
   ● 計(jì)算復(fù)雜度：階數(shù)較高的Daubechies小波計(jì)算復(fù)雜度較高。
   在實(shí)際應(yīng)用中，通常需要根據(jù)具體的需求和圖像特性來(lái)選擇合適的小波基。例如，對(duì)于需要較高光滑性的圖像，可以選擇 db6 或 sym8 作為小波基。對(duì)于需要較高消失矩的圖像，可以選擇 coif4 作為小波基。