?博客主頁：王樂予??
?年輕人要：Living for the moment（活在當(dāng)下）！??
??推薦專欄：【圖像處理】【千錘百煉Python】【深度學(xué)習(xí)】【排序算法】

本節(jié)將對經(jīng)過噪聲污染的圖像進行去噪，去噪方法包含均值濾波、中值濾波、方框濾波、雙邊濾波和高斯濾波。

??一、引言

??1.1 圖像用例

實驗所用的圖像為【OpenCV-Python】：對圖像添加高斯噪聲與椒鹽噪聲中得到的均值為0，方差為0.01的高斯噪聲污染圖像和噪聲密度為0.05的椒鹽噪聲污染圖像，如圖所示：

??1.2 評價指標

為了評判去噪質(zhì)量的好壞，我們將選取PSNR、SSIM和MSE作為評價指標！

評價指標見：【OpenCV-Python】：圖像PSNR、SSIM、MSE計算

??1.3 定義圖像質(zhì)量評價函數(shù)

def compare(ori, gaussian_denosing, sp_denosing):

    # ori為原圖（未被噪聲污染的圖），gaussian_denosing為經(jīng)過高斯噪聲污染的圖通過去噪算法去噪后的圖；sp_denosing為經(jīng)過椒鹽噪聲污染的圖通過去噪算法去噪后的圖
    gaussian_psnr = compare_psnr(ori, gaussian_denosing)
    sp_psnr = compare_psnr(ori, sp_denosing)

    gaussian_ssim = compare_ssim(ori, gaussian_denosing, multichannel=True)
    sp_ssim = compare_ssim(ori, sp_denosing, multichannel=True)

    gaussian_mse = compare_mse(ori, gaussian_denosing)
    sp_mse = compare_mse(ori, sp_denosing)

    return gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse

??二、均值濾波

??2.1 濾波原理

均值濾波也稱線性濾波，它是指使用一個模板在原圖上進行均值計算并替換原圖的值。

均值濾波器的模板有標準像素平均和加權(quán)平均之分，一個$3\times 3$大小的模板如下圖所示：

??2.2 實驗過程

使用函數(shù)：cv2.blur()

??2.2.1 程序設(shè)計

"""
均值濾波
"""
gaussian_blur = cv2.blur(gaussian_img, (3, 3))
sp_blur = cv2.blur(sp_img, (3, 3))
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imshow('out', v)
cv2.waitKey()

??2.2.2 實驗結(jié)果

• 第一幅圖為被高斯噪聲污染的圖像；
• 第二幅圖為使用均值濾波對第一幅圖去噪后的圖像；
• 第三幅圖為被椒鹽噪聲污染的圖像；
• 第四幅圖為使用均值濾波對第三幅圖去噪后的圖像。

??2.2.3 指標參數(shù)

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('均值濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('均值濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

結(jié)果為：

均值濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：27.51495578617511，SSIM：0.7044879580272968，MSE：115.23509979248047
均值濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：25.66665449076371，SSIM：0.5821969899711158，MSE：176.36601893107095

從指標結(jié)果可以看出，均值濾波對高斯噪聲的去除能力更強！

??三、中值濾波

??3.1 濾波原理

中值濾波是把圖像中的一點用該點的一個鄰域中的各值的中值代替。

??3.2 實驗過程

使用函數(shù)：cv2.medianBlur()

??3.2.1 程序設(shè)計

gaussian_blur = cv2.medianBlur(gaussian_img, (3, 3))
sp_blur = cv2.medianBlur(sp_img, (3, 3))
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imwrite(r"C:\Users\Lenovo\Desktop\DIP\median_filter.jpg", v)
cv2.imshow('out', v)
cv2.waitKey()

??3.2.2 實驗結(jié)果

• 第一幅圖為被高斯噪聲污染的圖像；
• 第二幅圖為使用中值濾波對第一幅圖去噪后的圖像；
• 第三幅圖為被椒鹽噪聲污染的圖像；
• 第四幅圖為使用中值濾波對第三幅圖去噪后的圖像。

??3.2.3 指標參數(shù)

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('中值濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('中值濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

結(jié)果為：

中值濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：26.882078435438537，SSIM：0.6406334892144118，MSE：133.31300481160483
中值濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：28.5392567826037，SSIM：0.7218574470291008，MSE：91.0237414042155

從指標結(jié)果可以看出，中值濾波對椒鹽噪聲的去除能力更強！

??四、方框濾波

??4.1 濾波原理

方框濾波又稱盒子濾波，方框濾波中可以自由選擇是否對均值濾波的結(jié)果進行歸一化，即可以自由選擇濾波結(jié)果是鄰域像素值之和的平均值（均值濾波），還是鄰域像素值之和。也就是說均值濾波是方框濾波的特殊情況。

方框濾波卷積核可以表示為：

K = 1 α [ 1 1 1 ? 1 1 1 1 1 ? 1 1 ? ? ? ? ? ? 1 1 1 ? 1 1 1 1 1 ? 1 1 1 1 1 ? 1 1 ] K=\frac{1}{\alpha }\begin{bmatrix} 1& 1& 1& \cdots & 1& 1\\ 1& 1& 1& \cdots & 1& 1\\ \cdots & \cdots & \cdots & \cdots & \cdots & \cdots \\ 1& 1& 1& \cdots & 1& 1\\ 1& 1& 1& \cdots & 1& 1\\ 1& 1& 1& \cdots & 1& 1 \end{bmatrix} K=α1? ?11?111?11?111?11?111????????11?111?11?111? ?
上式的對應(yīng)關(guān)系為：
$$\alpha =\{\begin{array}{cc}\frac{1}{width\times height}& normalize=1\\ 1& normalize=0\end{array}$$

??4.2 實驗過程

使用函數(shù)：cv2.boxFilter(src, ddepth, ksize, anchor, normalize, borderType)

參數(shù)說明：

• src：輸入圖像；
• ddepth：圖像深度，-1表示用原圖深度；
• ksize：內(nèi)核大?。?/li>
• anchor：錨點，默認為（-1，-1），表示當(dāng)前計算均值的點位于核的中心點位置；
• normalize：表示是否進行歸一化處理，值為1，進行歸一化處理；值為0，不進行歸一化處理；
• borderType：表示以何種方式處理邊界，默認即可。

??4.2.1 程序設(shè)計

"""
方框濾波
"""
gaussian_blur = cv2.boxFilter(gaussian_img, -1, (3, 3), normalize=0)
sp_blur = cv2.boxFilter(sp_img, -1, (3, 3), normalize=0)
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imwrite(r"C:\Users\Lenovo\Desktop\DIP\box_filter.jpg", v)
cv2.imshow('out', v)
cv2.waitKey()

??4.2.2 實驗結(jié)果

• 第一幅圖為被高斯噪聲污染的圖像；
• 第二幅圖為使用方框濾波對第一幅圖去噪后的圖像；
• 第三幅圖為被椒鹽噪聲污染的圖像；
• 第四幅圖為使用方框濾波對第三幅圖去噪后的圖像。

由圖可知，不經(jīng)過歸一化的方框濾波很容易出現(xiàn)大面積的白色。

??4.2.3 指標參數(shù)

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('方框濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('方框濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

結(jié)果為：

方框濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：5.251255346836561，SSIM：0.415694536225471，MSE：19406.84003829956
方框濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：5.328992238651672，SSIM：0.41684132817868463，MSE：19062.556196848553

??五、雙邊濾波

??5.1 濾波原理

雙邊濾波是一種非線性的濾波方法，其同時考慮空間幾何距離與灰度相似性。

??5.2 實驗過程

使用函數(shù)：cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])

參數(shù)說明：

• src：輸入圖像；
• d：濾波期間使用的每個像素鄰域的直徑，如果其值為非正數(shù)，則從sigmaSpace計算；
• sigmaColor：在顏色空間中過濾sigma，較大的參數(shù)意味著像素鄰域內(nèi)較遠的顏色將相互影響；
• sigmaSpace：在幾何空間中過濾sigma，較大的參數(shù)意味著更遠的像素將相互影響；

??5.2.1 程序設(shè)計

"""
雙邊濾波
"""
gaussian_blur = cv2.bilateralFilter(gaussian_img, 25, 100, 100)
sp_blur = cv2.bilateralFilter(sp_img, 25, 100, 100)
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imwrite(r"C:\Users\Lenovo\Desktop\DIP\bilateral_filter.jpg", v)
cv2.imshow('out', v)
cv2.waitKey()

??5.2.2 實驗結(jié)果

• 第一幅圖為被高斯噪聲污染的圖像；
• 第二幅圖為使用雙邊濾波對第一幅圖去噪后的圖像；
• 第三幅圖為被椒鹽噪聲污染的圖像；
• 第四幅圖為使用雙邊濾波對第三幅圖去噪后的圖像。

??5.2.3 指標參數(shù)

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('雙邊濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('雙邊濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

結(jié)果為：

雙邊濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：25.992916512934414，SSIM：0.6635250024737996，MSE：163.60203806559244
雙邊濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：21.06964250996061，SSIM：0.3879879230675302，MSE：508.2953186035156

從指標結(jié)果可以看出，雙邊濾波對高斯噪聲的去除能力更強！

??六、高斯濾波

??6.1 濾波原理

在實際濾波中，將當(dāng)前像素作為核中心，利用卷積核對周圍鄰域像素作加權(quán)平均，其值作為當(dāng)前像素的新值。

高斯濾波步驟：

• 移動相關(guān)核的中心元素，使它位于輸入圖像待處理像素的正上方；
• 將輸入圖像的像素值作為權(quán)重，乘以相關(guān)核；
• 將上面各步得到的結(jié)果相加做為輸出。

簡單來說就是根據(jù)高斯分布得到高斯模板然后做卷積相加的一個過程。

https://www.cnblogs.com/kensporger/p/11628050.html
https://www.jianshu.com/p/73e6ccbd8f3f

??6.2 實驗過程

使用函數(shù)：cv2.GaussianBlur(src, ksize, sigmaX [ , dst [ , sigmaY [ , borderType ] ] ] )
參數(shù)說明：

• src：輸入圖像；
• ksize：高斯核大小，必須是正數(shù)和奇數(shù)；
• sigmaX：X方向的高斯核標準差；
• sigmaY：Y方向的高斯核標準差；如果該值為0，則默認為與sigma相等。
• borderType：邊界處理方式。

??6.2.1 程序設(shè)計

"""
高斯濾波
"""
gaussian_blur = cv2.GaussianBlur(gaussian_img, (5, 5), 0, 0)
sp_blur = cv2.GaussianBlur(sp_img, (5, 5), 0, 0)
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imwrite(r"C:\Users\Lenovo\Desktop\DIP\gaussian_filter.jpg", v)
cv2.imshow('out', v)
cv2.waitKey()

??6.2.2 實驗結(jié)果

• 第一幅圖為被高斯噪聲污染的圖像；
• 第二幅圖為使用高斯濾波對第一幅圖去噪后的圖像；
• 第三幅圖為被椒鹽噪聲污染的圖像；
• 第四幅圖為使用高斯濾波對第三幅圖去噪后的圖像。

??6.2.3 指標參數(shù)

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('高斯濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('高斯濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

結(jié)果為：

高斯濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：27.80345326784865，SSIM：0.7496298168722767，MSE：107.82886505126953
高斯濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：26.360239863855103，SSIM：0.6420068535144939，MSE：150.33370971679688

從指標結(jié)果可以看出，高斯濾波對高斯噪聲的去除能力更強！文章來源地址http://www.zghlxwxcb.cn/news/detail-446590.html

??七、全部代碼

import numpy as np
import cv2
from skimage.measure import compare_ssim, compare_psnr, compare_mse

original = cv2.imread(r"C:\Users\Lenovo\Desktop\DIP\lena1.jpg")
gaussian_img = cv2.imread(r"C:\Users\Lenovo\Desktop\DIP\gaussian.jpg")
sp_img = cv2.imread(r"C:\Users\Lenovo\Desktop\DIP\sp.jpg")

def compare(ori, gaussian_denosing, sp_denosing):

    # ori為原圖（未被噪聲污染的圖），gaussian_denosing為經(jīng)過高斯噪聲污染的圖通過去噪算法去噪后的圖；sp_denosing為經(jīng)過椒鹽噪聲污染的圖通過去噪算法去噪后的圖
    gaussian_psnr = compare_psnr(ori, gaussian_denosing)
    sp_psnr = compare_psnr(ori, sp_denosing)

    gaussian_ssim = compare_ssim(ori, gaussian_denosing, multichannel=True)
    sp_ssim = compare_ssim(ori, sp_denosing, multichannel=True)

    gaussian_mse = compare_mse(ori, gaussian_denosing)
    sp_mse = compare_mse(ori, sp_denosing)

    return gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse

"""
均值濾波
"""
gaussian_blur = cv2.blur(gaussian_img, (3, 3))
sp_blur = cv2.blur(sp_img, (3, 3))
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imwrite(r"C:\Users\Lenovo\Desktop\DIP\mean_filter.jpg", v)
cv2.imshow('out', v)
cv2.waitKey()

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('均值濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('均值濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

"""
中值濾波
"""
gaussian_blur = cv2.medianBlur(gaussian_img, 3)
sp_blur = cv2.medianBlur(sp_img, 3)
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imwrite(r"C:\Users\Lenovo\Desktop\DIP\median_filter.jpg", v)
cv2.imshow('out', v)
cv2.waitKey()

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('中值濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('中值濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

"""
方框濾波
"""
gaussian_blur = cv2.boxFilter(gaussian_img, -1, (3, 3), normalize=0)
sp_blur = cv2.boxFilter(sp_img, -1, (3, 3), normalize=0)
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imwrite(r"C:\Users\Lenovo\Desktop\DIP\box_filter.jpg", v)
cv2.imshow('out', v)
cv2.waitKey()

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('方框濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('方框濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

"""
雙邊濾波
"""
gaussian_blur = cv2.bilateralFilter(gaussian_img, 25, 100, 100)
sp_blur = cv2.bilateralFilter(sp_img, 25, 100, 100)
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imwrite(r"C:\Users\Lenovo\Desktop\DIP\bilateral_filter.jpg", v)
cv2.imshow('out', v)
cv2.waitKey()

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('雙邊濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('雙邊濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

"""
高斯濾波
"""
gaussian_blur = cv2.GaussianBlur(gaussian_img, (5, 5), 0, 0)
sp_blur = cv2.GaussianBlur(sp_img, (5, 5), 0, 0)
h1 = np.hstack([gaussian_img, gaussian_blur])
h2 = np.hstack([sp_img, sp_blur])
v = np.vstack([h1, h2])
cv2.imwrite(r"C:\Users\Lenovo\Desktop\DIP\gaussian_filter.jpg", v)
cv2.imshow('out', v)
cv2.waitKey()

gaussian_psnr, sp_psnr, gaussian_ssim, sp_ssim, gaussian_mse, sp_mse = compare(original, gaussian_blur, sp_blur)
print('高斯濾波對高斯噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(gaussian_psnr, gaussian_ssim, gaussian_mse))
print('高斯濾波對椒鹽噪聲污染圖像去噪后的指標為：PSNR：{}，SSIM：{}，MSE：{}'.format(sp_psnr, sp_ssim, sp_mse))

到了這里，關(guān)于【OpenCV-Python】：基于均值、中值、方框、雙邊和高斯濾波的圖像去噪的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！