scikit-image库--图像去噪(八）

偏执的太偏执、 2021-10-18 17:28 520阅读 0赞

#### 图像去噪 ####

在本例中，使用总变化、双边和小波去噪滤波器对图像的噪声版本进行去噪。  
全变分法和双边算法通常产生“后验”图像，其平面域由锐边分隔。通过控制去噪和对原始图像的忠实之间的权衡，可以改变后验的程度。

#### 总变化滤波器（Total variation filter） ####

该滤波器的结果是一个具有最小总变化范数的图像，同时尽可能接近初始图像。总变化是图像梯度的l1范数。

#### 双边滤波器（Bilateral filter） ####

双边滤波器是一种边缘保持和降噪滤波器。它根据像素的空间相似性和辐射相似性来平均像素。

#### 小波去噪滤波器（Wavelet denoising filter） ####

小波去噪滤波器依赖于图像的小波表示。在小波域中，噪声用小值表示，小值设为0。  
在彩色图像中，小波去噪通常在YCBCR颜色空间中进行，因为在单独的颜色通道中去噪可能会导致更明显的噪声。

import matplotlib.pyplot as plt
    
    from skimage.restoration import (denoise_tv_chambolle, denoise_bilateral,
                                     denoise_wavelet, estimate_sigma)
    from skimage import data, img_as_float
    from skimage.util import random_noise
    
    
    original = img_as_float(data.chelsea()[100:250, 50:300])
    
    sigma = 0.155
    noisy = random_noise(original, var=sigma**2)
    
    fig, ax = plt.subplots(nrows=2, ncols=4, figsize=(18, 8),
                           sharex=True, sharey=True)
    
    plt.gray()
    
    # Estimate the average noise standard deviation across color channels.
    sigma_est = estimate_sigma(noisy, multichannel=True, average_sigmas=True)
    # Due to clipping in random_noise, the estimate will be a bit smaller than the
    # specified sigma.
    print("Estimated Gaussian noise standard deviation = {}".format(sigma_est))
    
    ax[0, 0].imshow(noisy)
    ax[0, 0].axis('off')
    ax[0, 0].set_title('Noisy')
    ax[0, 1].imshow(denoise_tv_chambolle(noisy, weight=0.1, multichannel=True))
    ax[0, 1].axis('off')
    ax[0, 1].set_title('TV')
    ax[0, 2].imshow(denoise_bilateral(noisy, sigma_color=0.05, sigma_spatial=15,
                    multichannel=True))
    ax[0, 2].axis('off')
    ax[0, 2].set_title('Bilateral')
    ax[0, 3].imshow(denoise_wavelet(noisy, multichannel=True))
    ax[0, 3].axis('off')
    ax[0, 3].set_title('Wavelet denoising')
    
    ax[1, 1].imshow(denoise_tv_chambolle(noisy, weight=0.2, multichannel=True))
    ax[1, 1].axis('off')
    ax[1, 1].set_title('(more) TV')
    ax[1, 2].imshow(denoise_bilateral(noisy, sigma_color=0.1, sigma_spatial=15,
                    multichannel=True))
    ax[1, 2].axis('off')
    ax[1, 2].set_title('(more) Bilateral')
    ax[1, 3].imshow(denoise_wavelet(noisy, multichannel=True, convert2ycbcr=True))
    ax[1, 3].axis('off')
    ax[1, 3].set_title('Wavelet denoising\nin YCbCr colorspace')
    ax[1, 0].imshow(original)
    ax[1, 0].axis('off')
    ax[1, 0].set_title('Original')
    
    fig.tight_layout()
    
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]: /images/20211018/e6a3714bcc314daf95148476cb890b08.png