降噪

详细描述

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解决特殊类型的变分问题的算法（即，找到一个函数来最小化某个泛函）。图像去噪，特别是，可以看作是一个变分问题，那么原始对偶算法就可以用来进行去噪，这正是这里实现的内容。
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::cuda::fastNlMeansDenoising (InputArray src, OutputArray dst, float h, int search_window=21, int block_size=7, Stream &stream=Stream::Null())
	使用非局部均值降噪算法http://www.ipol.im/pub/algo/bcm_non_local_means_denoising 并进行一些计算优化来执行图像降噪。预期噪声为高斯白噪声。
void	cv::fastNlMeansDenoising (InputArray src, OutputArray dst, const std::vector< float > &h, int templateWindowSize=7, int searchWindowSize=21, int normType=NORM_L2)
	使用非局部均值降噪算法http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并进行一些计算优化来执行图像降噪。预期噪声为高斯白噪声。
void	cv::fastNlMeansDenoising (InputArray src, OutputArray dst, float h=3, int templateWindowSize=7, int searchWindowSize=21)
	使用非局部均值降噪算法http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并进行一些计算优化来执行图像降噪。预期噪声为高斯白噪声。
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::cuda::fastNlMeansDenoisingColored (InputArray src, OutputArray dst, float h_luminance, float photo_render, int search_window=21, int block_size=7, Stream &stream=Stream::Null())
	针对彩色图像修改的fastNlMeansDenoising函数。
void	cv::fastNlMeansDenoisingColored (InputArray src, OutputArray dst, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21)
	针对彩色图像修改的fastNlMeansDenoising函数。
void	cv::fastNlMeansDenoisingColoredMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21)
	针对彩色图像序列修改的fastNlMeansDenoisingMulti函数。
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)
	针对图像序列的fastNlMeansDenoising函数的修改，其中连续图像是在短时间内捕获的。例如视频。此版本的函数适用于灰度图像或颜色空间的手动操作。更多详情请参见[44]（开放访问此处）。
void	cv::fastNlMeansDenoisingMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, float h=3, int templateWindowSize=7, int searchWindowSize=21)
	针对图像序列的fastNlMeansDenoising函数的修改，其中连续图像是在短时间内捕获的。例如视频。此版本的函数适用于灰度图像或颜色空间的手动操作。更多详情请参见[44]（开放访问此处）。
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())
	执行纯非局部均值去噪，没有任何简化，因此速度不快。

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解决特殊类型的变分问题的算法（即，找到一个函数来最小化某个泛函）。图像去噪，特别是，可以看作是一个变分问题，那么原始对偶算法就可以用来进行去噪，这正是这里实现的内容。

需要注意的是，此实现取自2013年7月的博客文章[198]，其中还包含(稍微更通用)的Python可用源代码。随后，Vadim Pisarevsky在2013年7月底使用OpenCV将其代码重写为C++，最后由后来的作者稍作修改。

尽管算法的详细讨论和论证可以在[49]中找到，但根据[198]，在此对其进行简要概述可能更有意义。首先，我们将1字节灰度图像视为从矩形像素域（可以看作集合\(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\)，其中\(m,\;n\in\mathbb{N}\)）到\(\{0,1,\dots,255\}\)的函数。我们将噪声图像表示为\(f_i\)，并以此观点来看，给定相同大小的图像\(x\)，我们可以用以下公式衡量其噪声程度：

\[\left\|\left\|\nabla x\right\|\right\| + \lambda\sum_i\left\|\left\|x-f_i\right\|\right\|\]

这里的\(\|\|\cdot\|\|\)表示\(L_2\)范数，如你所见，第一项表示我们希望图像平滑（理想情况下，梯度为零，因此为常数），第二项表示我们希望结果接近我们获得的观测值。如果我们将\(x\)视为一个函数，这就是我们寻求最小化的泛函，而原对偶算法在这里发挥作用。

参数

observations	此数组应包含要恢复图像的一个或多个噪声版本。
result	去噪后的图像将存储在此处。无需预先分配存储空间，因为如有必要，它将自动分配。
lambda	对应于上述公式中的\(\lambda\)。随着其增大，平滑（模糊）图像比细节丰富（但可能噪声更大）的图像更受青睐。粗略地说，随着它变小，结果将更模糊，但更严重的异常值将被去除。
niters	算法将运行的迭代次数。当然，迭代次数越多越好，但很难定量地完善这一说法，因此只需使用默认值，如果结果较差则增加它。

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::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>

使用非局部均值降噪算法http://www.ipol.im/pub/algo/bcm_non_local_means_denoising 并进行一些计算优化来执行图像降噪。预期噪声为高斯白噪声。

参数

src	输入8位1通道、2通道或3通道图像。
dst	与src大小和类型相同的输出图像。
h	调节滤波器强度的参数。较大的h值可以完美去除噪声，但也去除图像细节；较小的h值保留细节，但也保留一些噪声。
search_window	用于计算给定像素加权平均值的窗口大小（以像素为单位）。应为奇数。线性影响性能：search_window越大，去噪时间越长。推荐值为21像素。
block_size	用于计算权重的模板块大小（以像素为单位）。应为奇数。推荐值为7像素。
stream	用于异步调用的流。

此函数预期应用于灰度图像。对于彩色图像，请查看FastNonLocalMeansDenoising::labMethod。

另请参见

fastNlMeansDenoising

fastNlMeansDenoising() [3/4]

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>

使用非局部均值降噪算法http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并进行一些计算优化来执行图像降噪。预期噪声为高斯白噪声。

参数

src	输入8位或16位（仅限NORM_L1）1通道、2通道、3通道或4通道图像。
dst	与src大小和类型相同的输出图像。
templateWindowSize	用于计算权重的模板块大小（以像素为单位）。应为奇数。推荐值为7像素。
searchWindowSize	用于计算给定像素加权平均值的窗口大小（以像素为单位）。应为奇数。线性影响性能：searchWindowsSize越大，去噪时间越长。推荐值为21像素。
h	调节滤波器强度的参数数组，可以将一个参数应用于所有通道，也可以为dst中的每个通道应用一个参数。较大的h值可以完美去除噪声，但也去除图像细节；较小的h值保留细节，但也保留一些噪声。
normType	用于权重计算的范数类型。可以是NORM_L2或NORM_L1。

此函数预期应用于灰度图像。对于彩色图像，请查看fastNlMeansDenoisingColored。此函数的高级用法可以手动对不同颜色空间中的彩色图像进行去噪。这种方法在fastNlMeansDenoisingColored中使用，方法是将图像转换为CIELAB颜色空间，然后分别使用不同的h参数对L和AB分量进行去噪。

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>

使用非局部均值降噪算法http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并进行一些计算优化来执行图像降噪。预期噪声为高斯白噪声。

参数

src	输入8位1通道、2通道、3通道或4通道图像。
dst	与src大小和类型相同的输出图像。
templateWindowSize	用于计算权重的模板块大小（以像素为单位）。应为奇数。推荐值为7像素。
searchWindowSize	用于计算给定像素加权平均值的窗口大小（以像素为单位）。应为奇数。线性影响性能：searchWindowsSize越大，去噪时间越长。推荐值为21像素。
h	调节滤波器强度的参数。较大的h值可以完美去除噪声，但也去除图像细节；较小的h值保留细节，但也保留一些噪声。

此函数预期应用于灰度图像。对于彩色图像，请查看fastNlMeansDenoisingColored。此函数的高级用法可以手动对不同颜色空间中的彩色图像进行去噪。这种方法在fastNlMeansDenoisingColored中使用，方法是将图像转换为CIELAB颜色空间，然后分别使用不同的h参数对L和AB分量进行去噪。

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::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>

针对彩色图像修改的fastNlMeansDenoising函数。

参数

src	输入8位3通道图像。
dst	与src大小和类型相同的输出图像。
h_luminance	调节滤波器强度的参数。较大的h值可以完美去除噪声，但也去除图像细节；较小的h值保留细节，但也保留一些噪声。
photo_render	与h相同，但用于颜色分量。对于大多数图像，值为10足以去除彩色噪声而不失真颜色。
search_window	用于计算给定像素加权平均值的窗口大小（以像素为单位）。应为奇数。线性影响性能：search_window越大，去噪时间越长。推荐值为21像素。
block_size	用于计算权重的模板块大小（以像素为单位）。应为奇数。推荐值为7像素。
stream	用于异步调用的流。

该函数将图像转换为CIELAB颜色空间，然后使用FastNonLocalMeansDenoising::simpleMethod函数分别使用给定的h参数对L和AB分量进行去噪。

另请参见

fastNlMeansDenoisingColored

fastNlMeansDenoisingColored() [3/3]

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>

针对彩色图像修改的fastNlMeansDenoising函数。

参数

src	输入8位3通道图像。
dst	与src大小和类型相同的输出图像。
templateWindowSize	用于计算权重的模板块大小（以像素为单位）。应为奇数。推荐值为7像素。
searchWindowSize	用于计算给定像素加权平均值的窗口大小（以像素为单位）。应为奇数。线性影响性能：searchWindowsSize越大，去噪时间越长。推荐值为21像素。
h	调节亮度分量滤波器强度的参数。较大的h值可以完美去除噪声，但也去除图像细节；较小的h值保留细节，但也保留一些噪声。
hColor	与h相同，但用于颜色分量。对于大多数图像，值为10足以去除彩色噪声而不失真颜色。

该函数将图像转换为CIELAB颜色空间，然后使用fastNlMeansDenoising函数分别使用给定的h参数对L和AB分量进行去噪。

fastNlMeansDenoisingColoredMulti()

void cv::fastNlMeansDenoisingColoredMulti	(	输入数组	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>

针对彩色图像序列修改的fastNlMeansDenoisingMulti函数。

参数

srcImgs	输入的8位3通道图像序列。所有图像应具有相同的类型和大小。
imgToDenoiseIndex	在srcImgs序列中需要去噪的目标图像索引。
temporalWindowSize	用于目标图像去噪的周围图像数量。应为奇数。将使用srcImgs中从imgToDenoiseIndex - temporalWindowSize / 2到imgToDenoiseIndex + temporalWindowSize / 2的图像来对srcImgs[imgToDenoiseIndex]图像进行去噪。
dst	与srcImgs图像大小和类型相同的输出图像。
templateWindowSize	用于计算权重的模板块大小（以像素为单位）。应为奇数。推荐值为7像素。
searchWindowSize	用于计算给定像素加权平均值的窗口大小（以像素为单位）。应为奇数。线性影响性能：searchWindowsSize越大，去噪时间越长。推荐值为21像素。
h	调节亮度分量滤波强度的参数。较大的h值可以完美去除噪声，但也去除图像细节；较小的h值保留细节，但也保留一些噪声。
hColor	与h相同，但用于颜色分量。

该函数将图像转换为CIELAB颜色空间，然后使用fastNlMeansDenoisingMulti函数分别对L和AB分量进行去噪，并使用给定的h参数。

fastNlMeansDenoisingMulti() [1/2]

void cv::fastNlMeansDenoisingMulti	(	输入数组	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>

针对图像序列的fastNlMeansDenoising函数的修改，其中连续图像是在短时间内捕获的。例如视频。此版本的函数适用于灰度图像或颜色空间的手动操作。更多详情请参见[44]（开放访问此处）。

参数

srcImgs	输入8位或16位（仅限NORM_L1）的1通道、2通道、3通道或4通道图像序列。所有图像应具有相同的类型和大小。
imgToDenoiseIndex	在srcImgs序列中需要去噪的目标图像索引。
temporalWindowSize	用于目标图像去噪的周围图像数量。应为奇数。将使用srcImgs中从imgToDenoiseIndex - temporalWindowSize / 2到imgToDenoiseIndex + temporalWindowSize / 2的图像来对srcImgs[imgToDenoiseIndex]图像进行去噪。
dst	与srcImgs图像大小和类型相同的输出图像。
templateWindowSize	用于计算权重的模板块大小（以像素为单位）。应为奇数。推荐值为7像素。
searchWindowSize	用于计算给定像素加权平均值的窗口大小（以像素为单位）。应为奇数。线性影响性能：searchWindowsSize越大，去噪时间越长。推荐值为21像素。
h	调节滤波器强度的参数数组，可以将一个参数应用于所有通道，也可以为dst中的每个通道应用一个参数。较大的h值可以完美去除噪声，但也去除图像细节；较小的h值保留细节，但也保留一些噪声。
normType	用于权重计算的范数类型。可以是NORM_L2或NORM_L1。

fastNlMeansDenoisingMulti() [2/2]

void cv::fastNlMeansDenoisingMulti	(	输入数组	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>

针对图像序列的fastNlMeansDenoising函数的修改，其中连续图像是在短时间内捕获的。例如视频。此版本的函数适用于灰度图像或颜色空间的手动操作。更多详情请参见[44]（开放访问此处）。

参数

srcImgs	输入8位的1通道、2通道、3通道或4通道图像序列。所有图像应具有相同的类型和大小。
imgToDenoiseIndex	在srcImgs序列中需要去噪的目标图像索引。
temporalWindowSize	用于目标图像去噪的周围图像数量。应为奇数。将使用srcImgs中从imgToDenoiseIndex - temporalWindowSize / 2到imgToDenoiseIndex + temporalWindowSize / 2的图像来对srcImgs[imgToDenoiseIndex]图像进行去噪。
dst	与srcImgs图像大小和类型相同的输出图像。
templateWindowSize	用于计算权重的模板块大小（以像素为单位）。应为奇数。推荐值为7像素。
searchWindowSize	用于计算给定像素加权平均值的窗口大小（以像素为单位）。应为奇数。线性影响性能：searchWindowsSize越大，去噪时间越长。推荐值为21像素。
h	调节滤波器强度的参数。较大的h值可以完美去除噪声，但也去除图像细节；较小的h值保留细节，但也保留一些噪声。

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>

执行纯非局部均值去噪，没有任何简化，因此速度不快。

参数

src	源图像。仅支持CV_8UC1、CV_8UC2和CV_8UC3。
dst	目标图像。
h	调节颜色滤波器强度的滤波器 sigma。
search_window	搜索窗口的大小。
block_size	用于计算权重的块大小。
borderMode	边界类型。详情参见borderInterpolate。目前支持BORDER_REFLECT101、BORDER_REPLICATE、BORDER_CONSTANT、BORDER_REFLECT和BORDER_WRAP。
stream	异步版本的流。

另请参见

fastNlMeansDenoising