详细说明

函数
void	cv::denoise_TVL1 (const std::vector< Mat > &observations, Mat &result, double lambda=1.0, int niters=30)
	原始对偶算法是一种用于求解特殊类型变分问题（即寻找某个泛函最小值的函数）的算法。特别是，由于图像去噪可视为变分问题，因此原始对偶算法可用于执行去噪，这正是其实现内容。

void	cv::cuda::fastNlMeansDenoising (const GpuMat &src, GpuMat &dst, float h, int search_window=21, int block_size=7, Stream &stream=Stream::Null())

void	cv::fastNlMeansDenoising (InputArray src, OutputArray dst, const std::vector< float > &h, int templateWindowSize=7, int searchWindowSize=21, int normType=NORM_L2)
	使用非局部均值去噪算法执行图像去噪 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/，并进行了一些计算优化。噪声预计为高斯白噪声。

void	cv::cuda::fastNlMeansDenoising (InputArray src, OutputArray dst, float h, int search_window=21, int block_size=7, Stream &stream=Stream::Null())
	使用非局部均值去噪算法执行图像去噪 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising，并进行了一些计算优化。噪声预计为高斯白噪声。

void	cv::fastNlMeansDenoising (InputArray src, OutputArray dst, float h=3, int templateWindowSize=7, int searchWindowSize=21)
	使用非局部均值去噪算法执行图像去噪 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/，并进行了一些计算优化。噪声预计为高斯白噪声。

void	cv::cuda::fastNlMeansDenoisingColored (const GpuMat &src, GpuMat &dst, float h_luminance, float photo_render, int search_window=21, int block_size=7, Stream &stream=Stream::Null())

void	cv::fastNlMeansDenoisingColored (InputArray src, OutputArray dst, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21)
	彩图中的 fastNlMeansDenoising 函数的修改版。

void	cv::cuda::fastNlMeansDenoisingColored (InputArray src, OutputArray dst, float h_luminance, float photo_render, int search_window=21, int block_size=7, Stream &stream=Stream::Null())
	彩图中的 fastNlMeansDenoising 函数的修改版。

void	cv::fastNlMeansDenoisingColoredMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21)
	彩图序列中 fastNlMeansDenoisingMulti 函数的修改版。

void	cv::fastNlMeansDenoisingMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, const std::vector< float > &h, int templateWindowSize=7, int searchWindowSize=21, int normType=NORM_L2)
	图像序列中 fastNlMeansDenoising 函数的修改版，其中连续的图像在很短的时间内被捕获。例如视频。此版本的函数适用于灰度图像或手动操纵色彩空间。有关更多详细信息，请参阅 [44]（开放访问权限此处）。

void	cv::fastNlMeansDenoisingMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, float h=3, int templateWindowSize=7, int searchWindowSize=21)
	图像序列中 fastNlMeansDenoising 函数的修改版，其中连续的图像在很短的时间内被捕获。例如视频。此版本的函数适用于灰度图像或手动操纵色彩空间。有关更多详细信息，请参阅 [44]（开放访问权限此处）。

void	cv::cuda::nonLocalMeans (const GpuMat &src, GpuMat &dst, float h, int search_window=21, int block_size=7, int borderMode=BORDER_DEFAULT, Stream &stream=Stream::Null())

void	cv::cuda::nonLocalMeans (InputArray src, OutputArray dst, float h, int search_window=21, int block_size=7, int borderMode=BORDER_DEFAULT, Stream &stream=Stream::Null())
	执行纯的非局部均值去噪，没有任何简化，因此这种方法并不快。

函数文档

◆ denoise_TVL1()

void cv::denoise_TVL1	(	const std::vector< Mat > &	observations,
		Mat &	result,
		double	lambda = `1.0`,
		int	niters = `30`
	)

Python
	cv.denoise_TVL1(	observations, result[, lambda_[, niters]]	) ->	None

#include <opencv2/photo.hpp>

原始对偶算法是一种用于求解特殊类型变分问题（即寻找某个泛函最小值的函数）的算法。特别是，由于图像去噪可视为变分问题，因此原始对偶算法可用于执行去噪，这正是其实现内容。

值得注意的是，本实现取自 2013 年 7 月的博客文章 [198]，其中还包含 Python 平台上可供使用的（稍微通用的）现成源代码。随后，这段代码在 Vadim Pisarevsky 的参与下于 2013 年 7 月底使用 OpenCV 重写为 C++，最后由后来的作者进行了少量改编。

虽然有关算法的详尽讨论和论证可以在 [49] 中找到，但按照 [198] 的思路，将它简要浏览一遍可能更有意义。首先，我们将 1 字节灰度图像视为从像素的矩形域（可以看作集合 \(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\) 对一些 \(m,\;n\in\mathbb{N}\)）到 \(\{0,1,\dots,255\}\) 的函数。我们将噪声图像表示为 \(f_i\) ，并以此视图为准，给定一个相同大小的图像 \(x\)，我们可以通过以下公式测量图像的差度

\(\|\|\cdot\|\|\) 在此表示 \(L_2\)-范数，您会看到第一加数说明我们希望图像平滑（理想状态下，梯度为零，因此保持恒定），第二加数说明我们希望结果接近于获得的观测。如果我们将 \(x\) 视为函数，这样正好是我们希望最小化的泛函，而原始对偶算法开始发挥作用。

参数

observations	此数组应包含一张或多张待恢复图像的噪声版本。
result	在此存储去噪图像。无需预先分配存储空间，因为在必要时会自动分配。
lambda	对应于上面公式中的 \(\lambda\)。随着其扩大，平滑（模糊）图像的处理比详细（但可能更噪声）的图像更受青睐。粗略来说，随着其变小，结果将更模糊，但将移除更严重的离群值。
niters	算法将运行的迭代次数。当然，迭代次数越多越好，但很难定量精化此声明，因此只需使用默认值，在结果较差时增加该值即可。

◆ fastNlMeansDenoising() [1/4]

void cv::cuda::fastNlMeansDenoising	(	const GpuMat &	src,
		GpuMat &	dst,
		float	h,
		int	search_window = `21`,
		int	block_size = `7`,
		Stream &	stream = `Stream::Null()`
	)

inline

Python
	cv.cuda.fastNlMeansDenoising(	src, h[, dst[, search_window[, block_size[, stream]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

以下是此函数的调用图

◆ fastNlMeansDenoising() [2/4]

void cv::fastNlMeansDenoising	(	InputArray	src,
		OutputArray	dst,
		const std::vector< float > &	h,
		int	templateWindowSize = `7`,
		int	searchWindowSize = `21`,
		int	normType = `NORM_L2`
	)

Python
	cv.fastNlMeansDenoising(	src[, dst[, h[, templateWindowSize[, searchWindowSize]]]]	) ->	dst
	cv.fastNlMeansDenoising(	src, h[, dst[, templateWindowSize[, searchWindowSize[, normType]]]]	) ->	dst

#include <opencv2/photo.hpp>

使用非局部均值去噪算法执行图像去噪 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/，并进行了一些计算优化。噪声预计为高斯白噪声。

参数

src	输入 8 位或 16 位（仅适用于 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像。
dst	输出图像，其大小和类型与 src 相同。
templateWindowSize	用于计算权重的模板块的像素大小。该值应为奇数。建议值 7 像素
searchWindowSize	用于针对给定像素计算加权平均的窗口的像素大小。该值应为奇数。线性影响性能：searchWindowsSize 较大 - 去噪时间更长。建议值 21 像素
h	用于调节滤波强度 (应用于 dst 中的一个参数或每个通道) 的参数数组。较大的 h 值可以很好地去除噪点，但也去除图像细节；较小的 h 值保留细节，但也保留一些噪点
normType	用于计算权重的范数类型。可以为 NORM_L2 或 NORM_L1

此函数应适用于灰度图像。对于彩色图像，请参考 fastNlMeansDenoisingColored。此函数的高级用法可以是手动去噪不同颜色空间的彩色图像。这种方法在 fastNlMeansDenoisingColored 中使用，将图像转换为 CIELAB 颜色空间，然后分别使用不同的 h 参数去噪 L 和 AB 分量。

◆ fastNlMeansDenoising() [3/4]

void cv::cuda::fastNlMeansDenoising	(	InputArray	src,
		OutputArray	dst,
		float	h,
		int	search_window = `21`,
		int	block_size = `7`,
		Stream &	stream = `Stream::Null()`
	)

Python
	cv.cuda.fastNlMeansDenoising(	src, h[, dst[, search_window[, block_size[, stream]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

使用非局部均值去噪算法执行图像去噪 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising，并进行了一些计算优化。噪声预计为高斯白噪声。

参数

src	8 位 1 通道、2 通道或 3 通道图像输入。
dst	输出图像，其大小和类型与 src 相同。
h	调节滤波强度的参数。较大的 h 值可以很好地去除噪点，但也去除图像细节；较小的 h 值保留细节，但也保留一些噪点
search_window	用于针对给定像素计算加权平均的窗口的像素大小。该值应为奇数。线性影响性能：search_window 较大 - 去噪时间更长。建议值 21 像素
block_size	用于计算权重的模板块的像素大小。该值应为奇数。建议值 7 像素
stream	Stream 用于异步调用。

此函数应适用于灰度图像。对于彩色图像，请参考 FastNonLocalMeansDenoising::labMethod。

另请参阅: fastNlMeansDenoising

◆ fastNlMeansDenoising() [4/4]

void cv::fastNlMeansDenoising	(	InputArray	src,
		OutputArray	dst,
		float	h = `3`,
		int	templateWindowSize = `7`,
		int	searchWindowSize = `21`
	)

Python
	cv.fastNlMeansDenoising(	src[, dst[, h[, templateWindowSize[, searchWindowSize]]]]	) ->	dst
	cv.fastNlMeansDenoising(	src, h[, dst[, templateWindowSize[, searchWindowSize[, normType]]]]	) ->	dst

#include <opencv2/photo.hpp>

使用非局部均值去噪算法执行图像去噪 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/，并进行了一些计算优化。噪声预计为高斯白噪声。

参数

src	输入 8 位 1 通道、2 通道、3 通道或 4 通道图像。
dst	输出图像，其大小和类型与 src 相同。
templateWindowSize	用于计算权重的模板块的像素大小。该值应为奇数。建议值 7 像素
searchWindowSize	用于针对给定像素计算加权平均的窗口的像素大小。该值应为奇数。线性影响性能：searchWindowsSize 较大 - 去噪时间更长。建议值 21 像素
h	调节滤波强度的参数。较大的 h 值可以很好地去除噪点，但也去除图像细节；较小的 h 值保留细节，但也保留一些噪点

此函数应适用于灰度图像。对于彩色图像，请参考 fastNlMeansDenoisingColored。此函数的高级用法可以是手动去噪不同颜色空间的彩色图像。这种方法在 fastNlMeansDenoisingColored 中使用，将图像转换为 CIELAB 颜色空间，然后分别使用不同的 h 参数去噪 L 和 AB 分量。

◆ fastNlMeansDenoisingColored() [1/3]

void cv::cuda::fastNlMeansDenoisingColored	(	const GpuMat &	src,
		GpuMat &	dst,
		float	h_luminance,
		float	photo_render,
		int	search_window = `21`,
		int	block_size = `7`,
		Stream &	stream = `Stream::Null()`
	)

inline

Python
	cv.cuda.fastNlMeansDenoisingColored(	src, h_luminance, photo_render[, dst[, search_window[, block_size[, stream]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

以下是此函数的调用图

◆ fastNlMeansDenoisingColored() [2/3]

void cv::fastNlMeansDenoisingColored	(	InputArray	src,
		OutputArray	dst,
		float	h = `3`,
		float	hColor = `3`,
		int	templateWindowSize = `7`,
		int	searchWindowSize = `21`
	)

Python
	cv.fastNlMeansDenoisingColored(	src[, dst[, h[, hColor[, templateWindowSize[, searchWindowSize]]]]]	) ->	dst

#include <opencv2/photo.hpp>

彩图中的 fastNlMeansDenoising 函数的修改版。

参数

src	输入 8 位 3 通道图像。
dst	输出图像，其大小和类型与 src 相同。
templateWindowSize	用于计算权重的模板块的像素大小。该值应为奇数。建议值 7 像素
searchWindowSize	用于针对给定像素计算加权平均的窗口的像素大小。该值应为奇数。线性影响性能：searchWindowsSize 较大 - 去噪时间更长。建议值 21 像素
h	调节明亮度分量的滤波强度的参数。较大的 h 值可以很好地去除噪点，但也去除图像细节；较小的 h 值保留细节，但也保留一些噪点
hColor	与 h 相同，但适用于色彩分量。对于大多数图像，值为 10 就足以去除彩噪并且不会失真颜色

该函数将图像转化为 CIELAB 颜色空间，然后使用 fastNlMeansDenoising 函数分别去噪具有给定 h 参数的 L 和 AB 分量。

◆ fastNlMeansDenoisingColored() [3/3]

void cv::cuda::fastNlMeansDenoisingColored	(	InputArray	src,
		OutputArray	dst,
		float	h_luminance,
		float	photo_render,
		int	search_window = `21`,
		int	block_size = `7`,
		Stream &	stream = `Stream::Null()`
	)

Python
	cv.cuda.fastNlMeansDenoisingColored(	src, h_luminance, photo_render[, dst[, search_window[, block_size[, stream]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

彩图中的 fastNlMeansDenoising 函数的修改版。

参数

src	输入 8 位 3 通道图像。
dst	输出图像，其大小和类型与 src 相同。
h_luminance	调节滤波强度的参数。较大的 h 值可以很好地去除噪点，但也去除图像细节；较小的 h 值保留细节，但也保留一些噪点
photo_render	float 与 h 相同，但适用于色彩分量。对于大多数图像，值为 10 就足以去除彩噪并且不会失真颜色
search_window	用于针对给定像素计算加权平均的窗口的像素大小。该值应为奇数。线性影响性能：search_window 较大 - 去噪时间更长。建议值 21 像素
block_size	用于计算权重的模板块的像素大小。该值应为奇数。建议值 7 像素
stream	Stream 用于异步调用。

该函数将图像转化为 CIELAB 颜色空间，然后使用 FastNonLocalMeansDenoising::simpleMethod 函数分别去噪具有给定 h 参数的 L 和 AB 分量。

另请参阅: fastNlMeansDenoisingColored

◆ fastNlMeansDenoisingColoredMulti()

void cv::fastNlMeansDenoisingColoredMulti	(	InputArrayOfArrays	srcImgs,
		OutputArray	dst,
		int	imgToDenoiseIndex,
		int	temporalWindowSize,
		float	h = `3`,
		float	hColor = `3`,
		int	templateWindowSize = `7`,
		int	searchWindowSize = `21`
	)

Python
	cv.fastNlMeansDenoisingColoredMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize[, dst[, h[, hColor[, templateWindowSize[, searchWindowSize]]]]]	) ->	dst

#include <opencv2/photo.hpp>

彩图序列中 fastNlMeansDenoisingMulti 函数的修改版。

参数

srcImgs	输入 8 位 3 通道图像序列。所有图像的类型和尺寸应该相同。
imgToDenoiseIndex	srcImgs 序列中去噪目标图像的索引
temporalWindowSize	用于目标图像去噪的周围图像数量。应该是奇数。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex - temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像去噪。
dst	尺寸和类型与 srcImgs 图像相同的输出图像。
templateWindowSize	用于计算权重的模板块的像素大小。该值应为奇数。建议值 7 像素
searchWindowSize	用于针对给定像素计算加权平均的窗口的像素大小。该值应为奇数。线性影响性能：searchWindowsSize 较大 - 去噪时间更长。建议值 21 像素
h	调整亮度分量滤波强度的参数。较大的 h 值可以完美去除噪声但也会去除图像细节，而较小的 h 值可以保留细节但也会保留一些噪声。
hColor	与 h 相同，但适用于色彩分量。

该函数将图像转化为 CIELAB 颜色空间，然后使用 fastNlMeansDenoisingMulti 函数分别去噪具有给定 h 参数的 L 和 AB 分量。

◆ fastNlMeansDenoisingMulti() [1/2]

void cv::fastNlMeansDenoisingMulti	(	InputArrayOfArrays	srcImgs,
		OutputArray	dst,
		int	imgToDenoiseIndex,
		int	temporalWindowSize,
		const std::vector< float > &	h,
		int	templateWindowSize = `7`,
		int	searchWindowSize = `21`,
		int	normType = `NORM_L2`
	)

Python
	cv.fastNlMeansDenoisingMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize[, dst[, h[, templateWindowSize[, searchWindowSize]]]]	) ->	dst
	cv.fastNlMeansDenoisingMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize, h[, dst[, templateWindowSize[, searchWindowSize[, normType]]]]	) ->	dst

#include <opencv2/photo.hpp>

图像序列中 fastNlMeansDenoising 函数的修改版，其中连续的图像在很短的时间内被捕获。例如视频。此版本的函数适用于灰度图像或手动操纵色彩空间。有关更多详细信息，请参阅 [44]（开放访问权限此处）。

参数

srcImgs	输入 8 位或 16 位（仅适用于 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像序列。所有图像的类型和尺寸应该相同。
imgToDenoiseIndex	srcImgs 序列中去噪目标图像的索引
temporalWindowSize	用于目标图像去噪的周围图像数量。应该是奇数。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex - temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像去噪。
dst	尺寸和类型与 srcImgs 图像相同的输出图像。
templateWindowSize	用于计算权重的模板块的像素大小。该值应为奇数。建议值 7 像素
searchWindowSize	用于针对给定像素计算加权平均的窗口的像素大小。该值应为奇数。线性影响性能：searchWindowsSize 较大 - 去噪时间更长。建议值 21 像素
h	用于调节滤波强度 (应用于 dst 中的一个参数或每个通道) 的参数数组。较大的 h 值可以很好地去除噪点，但也去除图像细节；较小的 h 值保留细节，但也保留一些噪点
normType	用于计算权重的范数类型。可以为 NORM_L2 或 NORM_L1

◆ fastNlMeansDenoisingMulti() [2/2]

void cv::fastNlMeansDenoisingMulti	(	InputArrayOfArrays	srcImgs,
		OutputArray	dst,
		int	imgToDenoiseIndex,
		int	temporalWindowSize,
		float	h = `3`,
		int	templateWindowSize = `7`,
		int	searchWindowSize = `21`
	)

Python
	cv.fastNlMeansDenoisingMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize[, dst[, h[, templateWindowSize[, searchWindowSize]]]]	) ->	dst
	cv.fastNlMeansDenoisingMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize, h[, dst[, templateWindowSize[, searchWindowSize[, normType]]]]	) ->	dst

#include <opencv2/photo.hpp>

图像序列中 fastNlMeansDenoising 函数的修改版，其中连续的图像在很短的时间内被捕获。例如视频。此版本的函数适用于灰度图像或手动操纵色彩空间。有关更多详细信息，请参阅 [44]（开放访问权限此处）。

参数

srcImgs	输入 8 位 1 通道、2 通道、3 通道或 4 通道图像序列。所有图像的类型和尺寸应该相同。
imgToDenoiseIndex	srcImgs 序列中去噪目标图像的索引
temporalWindowSize	用于目标图像去噪的周围图像数量。应该是奇数。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex - temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像去噪。
dst	尺寸和类型与 srcImgs 图像相同的输出图像。
templateWindowSize	用于计算权重的模板块的像素大小。该值应为奇数。建议值 7 像素
searchWindowSize	用于针对给定像素计算加权平均的窗口的像素大小。该值应为奇数。线性影响性能：searchWindowsSize 较大 - 去噪时间更长。建议值 21 像素
h	调整滤波强度的参数。较大的 h 值可以完美去除噪声但也会去除图像细节，而较小的 h 值可以保留细节但也会保留一些噪声

◆ nonLocalMeans() [1/2]

void cv::cuda::nonLocalMeans	(	const GpuMat &	src,
		GpuMat &	dst,
		float	h,
		int	search_window = `21`,
		int	block_size = `7`,
		int	borderMode = `BORDER_DEFAULT`,
		Stream &	stream = `Stream::Null()`
	)

inline

Python
	cv.cuda.nonLocalMeans(	src, h[, dst[, search_window[, block_size[, borderMode[, stream]]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

以下是此函数的调用图

◆ nonLocalMeans() [2/2]

void cv::cuda::nonLocalMeans	(	InputArray	src,
		OutputArray	dst,
		float	h,
		int	search_window = `21`,
		int	block_size = `7`,
		int	borderMode = `BORDER_DEFAULT`,
		Stream &	stream = `Stream::Null()`
	)

Python
	cv.cuda.nonLocalMeans(	src, h[, dst[, search_window[, block_size[, borderMode[, stream]]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

执行纯的非局部均值去噪，没有任何简化，因此这种方法并不快。

参数

src	源图像。仅支持 CV_8UC1、CV_8UC2 和 CV_8UC3。
dst	目标图像。
h	Filter 调节颜色的滤波器强度。
search_window	搜索窗口大小。
block_size	用于计算权重而使用的块的大小。
borderMode	边界类型。有关详细信息，请参阅 borderInterpolate。目前支持 BORDER_REFLECT101、BORDER_REPLICATE、BORDER_CONSTANT、BORDER_REFLECT 和 BORDER_WRAP。
stream	Stream 用于异步版本。

另请参阅: fastNlMeansDenoising