来源 | 小白视觉志头图 | 下载于视觉中国本文将展示如何通过三个简单的步骤来实现降噪。我们将使用机器学习训练的降噪模型，最好的降噪模型之一。
程序可以判断图像是否有噪点吗？这应该是一个很有创意的想法，因为我们的降噪模型不够智能，无法计算出噪声。我们必须自己确定价值观。在这种情况下，最好的方法通常是尝试不同的值并找到最佳结果。经过一些练习，我们将获得更多经验，并且找到最佳参数值将更加容易。
导读：
在这个项目中，我们将使用三个Python软件包：OpenCV，Matplotlib和NumPy。OpenCV是一个非常知名的计算机视觉工具包。作为OpenCV库的先决条件，我们将需要安装NumPy。读取图像时，我们将像素转换为数组。NumPy将在后台进行该操作。当处理多维数组时，NumPy是无法替代的。
降噪模型：
这是该项目的有见地的部分。首先，我们将分享将用于减少噪声的算法。然后，我们将分享它具有多少个参数以及每个参数的含义。
图片中的黄色区域看起来很像。另外，绿色的小区域看起来很相似。非局部均值去噪算法选择一个像素，在其周围取一个小窗口，扫描图像中的相似窗口，对所有窗口取平均值，然后计算结果以替换该像素。该算法被称为非本地算法，因为它搜索整个图像以找到相互联系，而不仅仅是在单个区域周围。
该算法包含两个常用函数：fastNlMeansDenoising和fastNlMeansDenoisingColored。 第一个用于灰度图像，第二个用于彩色照片。在我们的例子中，我们将使用彩色图像。该函数的参数为src、dst、h、hcolor、templateWindowSize，和searchWindowSize。
- src：我们要进行降噪的输入图像。
- dst：如果要导出结果，则为目的地。
- h：亮度分量（较大的h值会消除更多的噪点，但也会降低图像的质量）。
- hcolor：颜色分量（这10是彩色图像文档中的推荐值）。
- templateWindowSize：该功能将平滑的区域的像素大小。它应该是一个奇数整数。
- searchWindowSize：该功能将找到并用作参考的区域的像素大小。它对性能产生线性影响：值越大，searchWindowSize表示去噪时间越长。另外，它应该是一个奇数整数（21是官方文档推荐的值，因为它适用于大多数嘈杂的图像情况）。
步骤一、安装软件包
我们必须安装两个库才能使我们的程序正常运行：numpy和opencv-python。我们可以使用PIP库管理器将它们安装在一行中：
代码语言：javascript复制pip install numpy opencv-python让我们继续创建一个新的Jupyter Notebook（但可以随意使用所需的代码编写环境）。这是我的第一个笔记本块，我们在其中导入刚刚构建的库：
代码语言：javascript复制import cv2 import numpy as np步骤二、导图图像
在这一步中，我们将找到要用于降噪的图片。为了更清楚地看到更改，它可能是嘈杂的图片。也可以随意使用常规图像-仍然会出现平滑现象。
实验图像：
读取图像:
代码语言：javascript复制img = cv2.imread("test_image.png")步骤三、对影像进行降噪
到目前为止看起来不错！现在，这是项目的有趣部分。我们将看到降噪后图像的外观。我们将使用三个不同的值运行该函数，以查看每个值如何影响最终结果。随意检查第一步，以了解每个参数代表什么。
代码语言：javascript复制denoise_1 = cv2.fastNlMeansDenoisingColored(img,None,3,3,7,21)
denoise_2 = cv2.fastNlMeansDenoisingColored(img,None,5,5,7,21)
denoise_3 = cv2.fastNlMeansDenoisingColored(img,None,15,15,7,21)去噪图像分配给不同的变量。让我们保存结果。我们将使用OpenCV的imwrite方法。如下是传递变量和要保存的文件名。
代码语言：javascript复制cv2.imwrite('image_1.png', denoise_1)
cv2.imwrite('image_2.png', denoise_2)
cv2.imwrite('image_3.png', denoise_3)降噪效果分析
我们可以按顺序看到它们。值越大，图像变得越平滑。
