图像噪声、去噪基本方法合集（Python实现）

图像处理是计算机视觉领域的重要研究方向之一，图像噪声是图像处理中常见的问题。噪声的存在会影响图像的质量，使得后续的图像分析和处理变得困难。因此，去噪是图像处理中的一个重要环节。本文将介绍几种常见的图像噪声及去噪基本方法，并提供相应的Python代码示例。

一、常见的图像噪声类型

1. 高斯噪声：服从高斯分布的随机噪声，通常由于传感器噪声造成，表现为图像上有随机的亮度变化。

2. 椒盐噪声：随机地将像素值替换为极大或极小的值，表现为图像上有黑白斑点。

3. 泊松噪声：与光子计数相关的一种噪声，主要在低光照条件下出现。

二、去噪方法

1. 均值滤波

均值滤波是一种线性平滑处理，适合去除高斯噪声。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('image_with_noise.jpg', cv2.IMREAD_GRAYSCALE)

# 均值滤波
denoised_image = cv2.blur(image, (5, 5))

# 显示结果
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Denoised Image using Mean Filter')
plt.imshow(denoised_image, cmap='gray')

plt.show()

2. 中值滤波

中值滤波可以有效去除椒盐噪声，保留边缘信息。

# 中值滤波
median_denoised_image = cv2.medianBlur(image, 5)

# 显示结果
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Denoised Image using Median Filter')
plt.imshow(median_denoised_image, cmap='gray')

plt.show()

3. 双边滤波

双边滤波是一种非线性滤波方法，能够在去噪的同时较好地保留边缘信息。

# 双边滤波
bilateral_denoised_image = cv2.bilateralFilter(image, 9, 75, 75)

# 显示结果
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Denoised Image using Bilateral Filter')
plt.imshow(bilateral_denoised_image, cmap='gray')

plt.show()

4. 小波变换去噪

小波变换是一种多分辨率分析方法，适用于各类噪声的去除。

import pywt

# 小波变换
coeffs = pywt.wavedec2(image, 'haar', level=2)
coeffs_thresholded = list(map(lambda x: pywt.threshold(x, threshold=30, mode='soft'), coeffs))

# 逆小波变换
denoised_image_wavelet = pywt.waverec2(coeffs_thresholded, 'haar')

# 显示结果
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')

plt.subplot(1, 2, 2)
plt.title('Denoised Image using Wavelet Transform')
plt.imshow(denoised_image_wavelet, cmap='gray')

plt.show()

三、总结

去噪是图像处理中的重要步骤，各种去噪方法各有其适用场景。均值滤波适合高斯噪声，而中值滤波适合椒盐噪声。双边滤波则兼具去噪和边缘保护的优点。小波变换去噪是一种灵活的方法，适用于多种类型的噪声。实践中，可以根据实际情况选择合适的去噪方法，以提高图像质量。