OpenCV图像噪声与去噪函数方法对比使用介绍

一：噪声类型与去噪声方法介绍

图像去噪在二值图像分析、OCR识别预处理环节中十分重要，最常见的图像噪声都是因为在图像生成过程中因为模拟或者数字信号受到干扰而产生的，常见的噪声类型有如下：

• 椒盐噪声

• 高斯噪声

• 泊松噪声

• 乘性噪声

OpenCV中有多个可以降低图像噪声、对图像实现平滑滤波的函数，最常见的就是均值模糊与高斯模糊，它们都可以在一定程度上减低上述几种噪声，另外还有中值模糊、双边模糊、非局部去噪等函数方法可以使用，针对特定种类的噪声，使用有针对性函数与合理的参数可以取得较好的效果： 函数名称 去噪效果

• blur
  对各种噪声都有一定的抑制作用

• GaussianBlur
  对随机噪声比较好，对椒盐噪声效果不好

• medianBlur
  对椒盐噪声效果比较好

• fastNlMeansDenoising
  非局部去噪，速度很慢，可以调参的去噪方法

• fastNlMeansDenoisingColored
  同上，去噪针对彩色图像

对于fastNIMeansDenoising方法来说，只支持输入是灰度图像的，各个参数意义如下：

1. fastNlMeansDenoising (

2. src // 输入图像

3. dst=None, // 输出结果

4. h=None, // h值越大表示去噪声力度越大，同时细节丢失也越多，默认10即可。

5. templateWindowSize=None, // 相似性权重计算窗口大小，一般为5～15之间

6. searchWindowSize=None// 搜索窗口，大小可以设置为相似性计算窗口大小的3～5倍即可。

7. )

二：程序效果演示

椒盐噪声图像

中值滤波结果

非局部均值去噪声结果

高斯噪声图像

中值滤波结果

非局部均值去噪声结果

Python版本源代码如下：

1. def denoise_demo():

2.    src = cv.imread("D:/javaopencv/lenanoise2.png")

3.    cv.imshow("input", src)

4.    # 相似窗口大小5， 搜索窗口大小25

5.    # h = 10, h 越大表示去噪声效果越好，细节越丢失

6.    dst = cv.fastNlMeansDenoisingColored(src, None, 15, 15, 7, 21)

7.    gray= cv.cvtColor(src, cv.COLOR_BGR2GRAY)

8.    gret = cv.fastNlMeansDenoising(gray, None, 15, 8, 25)

9.    cv.imshow("denoise", dst)

10.    cv.imshow("result", gret)

11.    cv.imwrite("D:/nim_result.png", dst)

12. def salt_pepper_noise():

13.    src = cv.imread("D:/javaopencv/lenanoise.png")

14.    cv.imshow("input", src)

15.    # ksize必须是大于1 奇数3\5\7\9\11

16.    dst = cv.medianBlur(src, 5)

17.    cv.imshow("denoise", dst)

18.    cv.imwrite("D:/sp_result.png", dst)

从上面可以看出，对椒盐噪声中值滤波效果比较好，对高斯噪声非局部均值去噪效果比较好！

更多相关阅读

知不足者好学，

耻下问者自满！

关注【OpenCV学堂】

长按或者扫码二维码即可关注

Tensorflow+OpenCV深度图像 

+QQ 573300093