标签:
图像平均操作是减少图像噪声的一种简单方式。
我们可以简单地从图像列表中计算出一幅平均图像。
假设所有的图像具有相同的大小,我们可以将这些图像简单地相加,然后除以图像的数目,来计算平均图像。
对列表中的数字图像进行图像平均的处理顺序如下:
a.输入或者获取文件名列表
b.读取路径列表中的图像文件,转化为数组进行相加
c.将累加结果除以图像数量,进行平均
d.将平均结果构建为图片
e.输出图像
# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from numpy import*
import os
#通过目录路径获取其中具有特定后缀名(JPG)的文件名列表
def get_imlist(path):
return [os.path.join(path,f) for f in os.listdir(path) if f.endswith(‘.JPG‘)]
#读取路径列表中的图片,进行简单相加,并除以文件数量
def compute_average(imlist):
averageim = array(Image.open(imlist[0]), ‘f‘)
for imname in imlist[1:]:
try:
averageim += array(Image.open(imname))
except:
print imname + ‘...skipped‘
averageim /= len(imlist)
return array(averageim, ‘uint8‘)
#通过样本文件夹路径获取图片样本
imlist = get_imlist("./photosource3")
#进行图片平均
im_a = compute_average(imlist)
#显示图片
imshow(im_a)
show()
这里我使用之前博客(《椒盐噪声》)中提到的生成椒盐噪声的方法,对同一张图片使用0.8的SNR(信噪比)连续生成8张带有大量椒盐噪声的测试图片,并对其进行平均操作:
椒盐噪声的生成 SaltAndPepperNoise.py:
# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from numpy import*
#读取图片,灰度化,并转为数组
img = im = array(Image.open(‘./source/test.jpg‘).convert(‘L‘))
#信噪比
SNR = 0.8
#计算总像素数目 SP, 得到要加噪的像素数目 NP = SP * (1-SNR)
noiseNum=int((1- SNR)*img.shape[0]*img.shape[1])
#于随机位置将像素值随机指定为0或者255
for i in range(noiseNum):
randX=random.random_integers(0,img.shape[0]-1)
randY=random.random_integers(0,img.shape[1]-1)
if random.random_integers(0,1)==0:
img[randX,randY]=0
else:
img[randX,randY]=255
#显示图像
gray()
imshow(img)
show()
原图
椒盐噪声图之一(SNR = 0.8):
图像平均(4张):
图像平均(8张):
可以看出,图像平均起到了一定的降噪效果,并且随着平均图片的增加,清晰度也显著增加,相对于椒盐噪声,虽然然均值率滤波的信噪比比较低,去除椒盐噪声最常用的算法是中值滤波,但是直观的效果上图像平均是最好的,毕竟是基于多张图片的降噪方式。与此同时,面对高斯噪声,仍然是图像平均法在直观效果上比较优秀,下面我们测试一下高斯噪声。
这里我使用之前博客(《高斯噪声》)中提到的生成高斯噪声的方法,对同一张图片使用sigma = 30连续生成8张带有大量高斯噪声的测试图片,并对其进行平均操作:
高斯噪声的生成 GaussNoise.py:
# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from numpy import*
import random
#读取图片并转为数组
im = array(Image.open(‘./source/test.jpg‘))
#设定高斯函数的偏移
means = 0
#设定高斯函数的标准差
sigma = 30
#r通道
r = im[:,:,0].flatten()
#g通道
g = im[:,:,1].flatten()
#b通道
b = im[:,:,2].flatten()
#计算新的像素值
for i in range(im.shape[0]*im.shape[1]):
pr = int(r[i]) + random.gauss(0,sigma)
pg = int(g[i]) + random.gauss(0,sigma)
pb = int(b[i]) + random.gauss(0,sigma)
if(pr < 0):
pr = 0
if(pr > 255):
pr = 255
if(pg < 0):
pg = 0
if(pg > 255):
pg = 255
if(pb < 0):
pb = 0
if(pb > 255):
pb = 255
r[i] = pr
g[i] = pg
b[i] = pb
im[:,:,0] = r.reshape([im.shape[0],im.shape[1]])
im[:,:,1] = g.reshape([im.shape[0],im.shape[1]])
im[:,:,2] = b.reshape([im.shape[0],im.shape[1]])
#显示图像
imshow(im)
show()
高斯噪声图之一(sigma = 30):
图像平均(4张):
图像平均(8张):
可以很明显的看出,图像平均的降噪效果还是比较明显的,随着平均图片的增加,清晰度逐渐增加,根据从网上找到的一篇论文的描述,常规降噪方法中,图像平均是直观效果最好的方法。
相机在高感光度下拍摄照片会明显看到大量噪点,感光度越高噪点越多,相机拍摄照片时产生的噪点来自于传感器噪点。
数码相机传感器中的每个像素上都有一个或者更多光电二极管,光电二极管把落在象素上的光子转化为电子信号,然后计算出颜色值和其他值,最终构成一幅完整的图像。如果同一个象素在同一个进光量下曝光数次,该象素得出的颜色值可能会不尽相同,而这些微小的差异就形成了传感器的噪点。
就算在没有光进入传感器的情况下,传感器本身的电子运动也会产生一些信号,额外的信号便是噪音。
象素面积越小,产生噪点的机会越多,这就是小型数码相机照出来的相片噪点较多的原因(相对于数码单反)。专业级照相机通常拥有高质量的象素和强大的图像处理器,把噪点水平降到最低,甚至在高感光度下没有噪点出现。
这里我用老爸的单反对着我小时候的水粉画在同一位置用25600的高ISO连续拍了一组样本,照片太大,上传的图片已经压缩过了,在最后我会提供下载链接,下面是平均结果:
相机噪声图信息:
相机噪声图之一(ISO = 25600):
图像平均(14张):
可以比较明显的看出,红色蓝色波纹状的噪点基本都消失了,效果还是非常理想的。
本篇博客主要介绍了图像平均以及图像平均在应对椒盐/高斯/相机噪声方面的对比分析,总体来讲作为使用多张照片的降噪方式,虽然实现与原理十分简单,但是极大程度的保留了图片信息,直观效果非常明显,希望这篇博文对大家有所帮助~
照片样本下载地址:
标签:
原文地址:http://blog.csdn.net/sunmc1204953974/article/details/50625997