图像去噪

详细描述

函数
void	cv::denoise_TVL1 (const std::vector< Mat > &observations, Mat &result, double lambda=1.0, int niters=30)
	原对偶算法（Primal-dual algorithm）是用于解决特殊变分问题（即找到一个函数来最小化某个泛函）的算法。由于图像去噪，特别是，可以被视为变分问题，因此原对偶算法可以用于执行去噪，这正是此处所实现的功能。
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())
	使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising 进行图像去噪，并带有一些计算优化。期望噪声为高斯白噪声。
void	cv::fastNlMeansDenoising (InputArray src, OutputArray dst, const std::vector< float > &h, int templateWindowSize=7, int searchWindowSize=21, int normType=NORM_L2)
	使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 进行图像去噪，并带有一些计算优化。期望噪声为高斯白噪声。
void	cv::fastNlMeansDenoising (InputArray src, OutputArray dst, float h=3, int templateWindowSize=7, int searchWindowSize=21)
	使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 进行图像去噪，并带有一些计算优化。期望噪声为高斯白噪声。
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())
	fastNlMeansDenoising 函数用于彩色图像的修改版本。
void	cv::fastNlMeansDenoisingColored (InputArray src, OutputArray dst, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21)
	fastNlMeansDenoising 函数用于彩色图像的修改版本。
void	cv::fastNlMeansDenoisingColoredMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21)
	fastNlMeansDenoisingMulti 函数用于彩色图像序列的修改版本。
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)
	fastNlMeansDenoising 函数用于在短时间内连续拍摄的图像序列的修改版本。例如视频。此版本的函数适用于灰度图像或手动操作色彩空间。更多详情请参见 [45]（可在此公开访问）。
void	cv::fastNlMeansDenoisingMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, float h=3, int templateWindowSize=7, int searchWindowSize=21)
	fastNlMeansDenoising 函数用于在短时间内连续拍摄的图像序列的修改版本。例如视频。此版本的函数适用于灰度图像或手动操作色彩空间。更多详情请参见 [45]（可在此公开访问）。
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())
	执行纯粹的非局部均值去噪，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]]	) ->	无

#include <opencv2/photo.hpp>

原对偶算法（Primal-dual algorithm）是用于解决特殊变分问题（即找到一个函数来最小化某个泛函）的算法。由于图像去噪，特别是，可以被视为变分问题，因此原对偶算法可以用于执行去噪，这正是此处所实现的功能。

值得注意的是，此实现取自2013年7月的博客文章 [201]，该文章还包含了（略微更通用）现成的Python源代码。随后，该代码于2013年7月底由Vadim Pisarevsky 使用OpenCV重写为C++，最终由后来的作者稍作修改。

尽管算法的彻底讨论和论证可以在 [50] 中找到，但在这里按照 [201] 浏览一下可能更有意义。首先，我们将1字节灰度图像视为像素矩形域上的函数（可以看作是对于某些 \(m,\;n\in\mathbb{N}\) 的集合 \(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\) 到 \(\{0,1,\dots,255\}\)）。我们将噪声图像表示为 \(f_i\)，在此视图下，给定相同大小的图像 \(x\)，我们可以通过以下公式衡量其“糟糕”程度：

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

\(\|\|\cdot\|\|\) 在此处表示 \(L_2\)-范数。您可以看到，第一项表明我们希望图像是平滑的（理想情况下，梯度为零，从而保持常数），第二项表明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，这正是我们寻求最小化的泛函，而原对偶算法（Primal-Dual algorithm）便在此处发挥作用。

参数

observations	此数组应包含要恢复图像的一个或多个带噪版本。
result	去噪后的图像将存储在此处。无需预先分配存储空间，因为在必要时会自动分配。
lambda	对应于上述公式中的 \(\lambda\)。当其增大时，平滑（模糊）图像比细节丰富（但可能噪声更多）的图像更受青睐。粗略地说，当它变小时，结果会更模糊，但更严重的离群值将被去除。
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个说法，因此只需使用默认值，如果结果不佳则增加它。

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>

此函数的调用图如下

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>

使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising 进行图像去噪，并带有一些计算优化。期望噪声为高斯白噪声。

参数

src	输入8位1通道、2通道或3通道图像。
dst	输出图像，其大小和类型与 src 相同。
h	调节滤镜强度的参数。较大的h值可以完美去除噪声，但也会去除图像细节；较小的h值保留细节，但也会保留一些噪声。
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7像素。
流	Stream 用于异步调用。

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>

使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 进行图像去噪，并带有一些计算优化。期望噪声为高斯白噪声。

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大小（以像素为单位）。应为奇数。推荐值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21像素。
h	调节滤镜强度的参数数组，可以是应用于所有通道的一个参数，也可以是dst中每个通道一个参数。较大的h值可以完美去除噪声，但也会去除图像细节；较小的h值保留细节，但也会保留一些噪声。
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是在不同色彩空间中手动去噪彩色图像。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后使用不同的h参数分别去噪L和AB分量来使用这种方法。

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 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 进行图像去噪，并带有一些计算优化。期望噪声为高斯白噪声。

参数

src	输入8位1通道、2通道、3通道或4通道图像。
dst	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大小（以像素为单位）。应为奇数。推荐值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21像素。
h	调节滤镜强度的参数。较大的h值可以完美去除噪声，但也会去除图像细节；较小的h值保留细节，但也会保留一些噪声。

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是在不同色彩空间中手动去噪彩色图像。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后使用不同的h参数分别去噪L和AB分量来使用这种方法。

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>

此函数的调用图如下

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>

fastNlMeansDenoising 函数用于彩色图像的修改版本。

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	调节滤镜强度的参数。较大的h值可以完美去除噪声，但也会去除图像细节；较小的h值保留细节，但也会保留一些噪声。
photo_render	float 与h相同，但用于颜色分量。对于大多数图像，值等于10足以去除彩色噪声且不扭曲颜色。
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7像素。
流	Stream 用于异步调用。

该函数将图像转换为 CIELAB 色彩空间，然后使用 FastNonLocalMeansDenoising::simpleMethod 函数，并给定h参数，分别去噪 L 和 AB 分量。

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>

fastNlMeansDenoising 函数用于彩色图像的修改版本。

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大小（以像素为单位）。应为奇数。推荐值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21像素。
h	调节亮度分量滤镜强度的参数。较大的h值可以完美去除噪声，但也会去除图像细节；较小的h值保留细节，但也会保留一些噪声。
hColor	与h相同，但用于颜色分量。对于大多数图像，值等于10足以去除彩色噪声且不扭曲颜色。

该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoising 函数，并给定h参数，分别去噪 L 和 AB 分量。

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>

fastNlMeansDenoisingMulti 函数用于彩色图像序列的修改版本。

参数

srcImgs	输入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	要去噪的目标图像在 srcImgs 序列中的索引。
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 的图像来去噪 srcImgs[imgToDenoiseIndex] 图像。
dst	输出图像，其大小和类型与 srcImgs 图像相同。
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21像素。
h	调节亮度分量滤镜强度的参数。较大的h值可以完美去除噪声，但也会去除图像细节；较小的h值保留细节，但也会保留一些噪声。
hColor	与h相同，但用于颜色分量。

该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoisingMulti 函数，并给定h参数，分别去噪 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>

fastNlMeansDenoising 函数用于在短时间内连续拍摄的图像序列的修改版本。例如视频。此版本的函数适用于灰度图像或手动操作色彩空间。更多详情请参见 [45]（可在此公开访问）。

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。所有图像应具有相同的类型和大小。
imgToDenoiseIndex	要去噪的目标图像在 srcImgs 序列中的索引。
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 的图像来去噪 srcImgs[imgToDenoiseIndex] 图像。
dst	输出图像，其大小和类型与 srcImgs 图像相同。
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21像素。
h	调节滤镜强度的参数数组，可以是应用于所有通道的一个参数，也可以是dst中每个通道一个参数。较大的h值可以完美去除噪声，但也会去除图像细节；较小的h值保留细节，但也会保留一些噪声。
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	(	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>

fastNlMeansDenoising 函数用于在短时间内连续拍摄的图像序列的修改版本。例如视频。此版本的函数适用于灰度图像或手动操作色彩空间。更多详情请参见 [45]（可在此公开访问）。

参数

srcImgs	输入8位1通道、2通道、3通道或4通道图像序列。所有图像应具有相同的类型和大小。
imgToDenoiseIndex	要去噪的目标图像在 srcImgs 序列中的索引。
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 的图像来去噪 srcImgs[imgToDenoiseIndex] 图像。
dst	输出图像，其大小和类型与 srcImgs 图像相同。
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21像素。
h	调节滤镜强度的参数。较大的h值可以完美去除噪声，但也会去除图像细节；较小的h值保留细节，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>

此函数的调用图如下

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>

执行纯粹的非局部均值去噪，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	滤镜 sigma，调节颜色滤镜强度。
search_window	搜索窗口的大小。
block_size	用于计算权重的块大小。
borderMode	边框类型。详情请参见 borderInterpolate。目前支持 BORDER_REFLECT101、BORDER_REPLICATE、BORDER_CONSTANT、BORDER_REFLECT 和 BORDER_WRAP。
流	Stream 用于异步版本。

另请参见

fastNlMeansDenoising