目标
在本章中，
原理
在之前的章节中，我们已经了解了许多图像平滑技术，例如高斯模糊、中值模糊等，它们在一定程度上可以很好地去除少量噪声。在这些技术中，我们取像素周围的一个小邻域，并进行一些操作，例如高斯加权平均、值的中间值等，以替换中心元素。简而言之，像素上的噪声去除是相对于其邻域的局部操作。
噪声具有一种特性。噪声通常被认为是均值为零的随机变量。考虑一个噪声像素，\(p = p_0 + n\)，其中 \(p_0\) 是像素的真实值，\(n\) 是该像素中的噪声。您可以从不同的图像中获取大量相同的像素（比如 \(N\) 个），并计算它们的平均值。理想情况下，您应该得到 \(p = p_0\)，因为噪声的均值为零。
您可以通过一个简单的设置来验证这一点。将静态相机固定在某个位置几秒钟。这将为您提供大量的帧，或者说同一场景的许多图像。然后编写一段代码来查找视频中所有帧的平均值（这对您来说应该太简单了）。比较最终结果和第一帧。您可以看到噪声的减少。不幸的是，这种简单的方法对于相机和场景运动并不稳健。而且，通常只有一个噪声图像可用。
所以想法很简单，我们需要一组相似的图像来平均掉噪声。考虑图像中的一个小窗口（比如 5x5 窗口）。相同的块很有可能出现在图像中的其他地方。有时在其周围的一个小邻域内。那么，将这些相似的块一起使用并找到它们的平均值怎么样？对于那个特定的窗口，这很好。请看下面的示例图像
image
图像中的蓝色块看起来很相似。绿色块看起来很相似。因此，我们取一个像素，在其周围取一个小窗口，在图像中搜索相似的窗口，对所有窗口求平均值，然后用得到的结果替换该像素。这种方法是非局部均值去噪。与我们之前看到的模糊技术相比，它需要更多的时间，但其结果非常好。更多详细信息和在线演示可以在附加资源中的第一个链接中找到。
对于彩色图像，图像将转换为 CIELAB 色彩空间，然后分别对 L 和 AB 分量进行去噪。
OpenCV 中的图像去噪
OpenCV 提供了此技术的四个变体。
- cv.fastNlMeansDenoising() - 适用于单个灰度图像
- cv.fastNlMeansDenoisingColored() - 适用于彩色图像。
- cv.fastNlMeansDenoisingMulti() - 适用于短时间内捕获的图像序列（灰度图像）
- cv.fastNlMeansDenoisingColoredMulti() - 与上面相同，但适用于彩色图像。
常用参数为
- h：决定滤波器强度的参数。h 值越高，去除噪声的效果越好，但也会去除图像的细节。（10 就可以了）
- hForColorComponents：与 h 相同，但仅适用于彩色图像。（通常与 h 相同）
- templateWindowSize：应为奇数。（推荐 7）
- searchWindowSize：应为奇数。（推荐 21）
请访问附加资源中的第一个链接，以获取有关这些参数的更多详细信息。
我们将在此处演示 2 和 3。其余的留给您。
1. cv.fastNlMeansDenoisingColored()
如上所述，它用于去除彩色图像中的噪声。（噪声预计为高斯噪声）。请看下面的示例
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
plt.subplot(121),plt.imshow(img)
plt.subplot(122),plt.imshow(dst)
plt.show()
CV_EXPORTS_W Mat imread(const String &filename, int flags=IMREAD_COLOR_BGR)
从文件加载图像。
void fastNlMeansDenoisingColored(InputArray src, OutputArray dst, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21)
彩色图像快速非局部均值去噪函数的修改。
下面是结果的放大版本。我的输入图像具有 \(\sigma = 25\) 的高斯噪声。请看结果
image
2. cv.fastNlMeansDenoisingMulti()
现在我们将相同的方法应用于视频。第一个参数是噪声帧的列表。第二个参数 imgToDenoiseIndex 指定我们需要去噪的帧，为此我们传递输入列表中帧的索引。第三个是 temporalWindowSize，它指定用于去噪的附近帧数。它应该是一个奇数。在这种情况下，将使用总共 temporalWindowSize 帧，其中中心帧是要去噪的帧。例如，您传递了一个包含 5 帧的列表作为输入。假设 imgToDenoiseIndex = 2 并且 temporalWindowSize = 3。然后帧-1、帧-2 和帧-3 用于去噪帧-2。让我们看一个例子。
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = [cap.read()[1] for i in range(5)]
gray = [
cv.cvtColor(i, cv.COLOR_BGR2GRAY)
for i
in img]
gray = [np.float64(i) for i in gray]
noise = np.random.randn(*gray[1].shape)*10
noisy = [i+noise for i in gray]
noisy = [np.uint8(np.clip(i,0,255)) for i in noisy]
plt.subplot(131),plt.imshow(gray[2],'gray')
plt.subplot(132),plt.imshow(noisy[2],'gray')
plt.subplot(133),plt.imshow(dst,'gray')
plt.show()
用于从视频文件、图像序列或摄像头捕获视频的类。
Definition videoio.hpp:772
void cvtColor(InputArray src, OutputArray dst, int code, int dstCn=0, AlgorithmHint hint=cv::ALGO_HINT_DEFAULT)
将图像从一个颜色空间转换为另一个颜色空间。
void fastNlMeansDenoisingMulti(InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, float h=3, int templateWindowSize=7, int searchWindowSize=21)
针对连续图像的快速非局部均值去噪函数的修改...
下面的图像显示了我们得到的结果的放大版本
image
计算需要相当长的时间。在结果中，第一张图像是原始帧，第二张是噪声帧，第三张是去噪图像。
附加资源
- http://www.ipol.im/pub/art/2011/bcm_nlm/（其中包含详细信息、在线演示等。强烈建议访问。我们的测试图像是从该链接生成的）
- Coursera 上的在线课程（第一张图片取自此处）
1.12.0