第5章 Python 数字图像处理(DIP) - 图像复原与重建8

标题

估计噪声参数

估计噪声参数

周期噪声的参数通常是通过检测图像的傅里叶谱来估计的。

只能使用由传感器生成的图像时，可由一小片恒定的背景灰度来估计PDF的参数。

来自图像条带的数据的最简单用途是，计算灰度级的均值和方差。考虑由SSS表示的一个条带（子图像），并令PS(zi)P_{S}(z_i)PS(zi)，i=0,1,2,…,L−1i = 0, 1, 2, \dots, L-1i=0,1,2,…,L−1表示SSS中的像素灰度的概率估计（归一化直方图值），其中LLL是整数个图像中的可能灰度（对8比特而言，LLL为256）。则均值和方差估计如下：
zˉ=∑i=0L−1ziPS(zi)(5.19)\bar{z} = \sum_{i=0}^{L-1}z_{i}P_{S}(z_{i}) \tag{5.19}zˉ=i=0∑L−1ziPS(zi)(5.19)
σ2=∑i=0L−1(zi−zˉ)2PS(zi)(5.20)\sigma^2 = \sum_{i=0}^{L-1}(z_{i} -\bar{z})^2 P_{S}(z_{i}) \tag{5.20}σ2=i=0∑L−1(zi−zˉ)2PS(zi)(5.20)

直方图的形状确认最接近的PDF匹配。若形状大致为高斯分布的，则均值和方差就是我们所需要的，因为高斯PDF完全由这两个参数规定。对于其它PDF，我们可以使用均值和方差来求解参数aaa和bbb。

对于冲激噪声的处理是不同的，因为需要的估计是黑、白像素出现的实际概率。要获得这个估计，就需要看到黑色像素和白色像素，因此要算出噪声的有意义的直方图，图像中就需要有一个相对恒定的中灰度区域。对应于黑色像素和白色像素的峰值高度是式(5.16)中PpP_pPp和PsP_sPs的估计。

# 一些重要的噪声对应灰度的直方图
img_ori = cv2.imread("DIP_Figures/DIP3E_Original_Images_CH05/Fig0503 (original_pattern).tif", 0)
# 竖图[40:210, 35:60]，横图[40:60, 35:220]
img_gauss       = add_gaussian_noise(img_ori, mu=0, sigma=0.05)[40:60, 35:220]
img_rayleigh    = add_rayleigh_noise(img_ori, a=1)[40:60, 35:220]
img_gamma       = add_gamma_noise(img_ori, scale=2)[40:60, 35:220]
img_exponent    = add_exponent_noise(img_ori, scale=3)[40:60, 35:220]
img_average     = add_average_noise(img_ori, mean=10, sigma=1.5)[40:60, 35:220]ps = 0.05
pp = 0.02
img_salt_pepper = add_salt_pepper(img_ori, ps=ps, pp=pp)[40:60, 35:220]show_list = ['img_gauss', 'img_rayleigh', 'img_gamma', 'img_exponent', 'img_average', 'img_salt_pepper']fig = plt.figure(figsize=(15, 15))for i in range(len(show_list)):if i >= 3:# 显示图像ax = fig.add_subplot(4, 3, i + 3 + 1)ax.imshow(eval(show_list[i]), 'gray'), ax.set_xticks([]), ax.set_yticks([]), ax.set_title(show_list[i].split('_')[-1])# 对应图像的直方图ax = fig.add_subplot(4, 3, i + 1 + 6)hist, bins = np.histogram(eval(show_list[i]).flatten(), bins=255, range=[0, 255], density=True)bar = ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]),else:# 显示图像ax = fig.add_subplot(4, 3, i + 1)ax.imshow(eval(show_list[i]), 'gray'), ax.set_xticks([]), ax.set_yticks([]), ax.set_title(show_list[i].split('_')[-1])# 对应图像的直方图ax = fig.add_subplot(4, 3, i + 1 + 3)hist, bins = np.histogram(eval(show_list[i]).flatten(), bins=255, range=[0, 255], density=True)bar = ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]),plt.tight_layout()
plt.show()

# 椒盐噪声的参数估计
hist, bins = np.histogram(img_salt_pepper.flatten(), bins=255, range=[0, 255], density=True)
print(f"Original pp -> {pp:.3f}, ps -> {ps:.3f}")
print(f'Estimate PP -> {hist[0]:.3f}, PS -> {hist[-1]:.3f}')

Original pp -> 0.020, ps -> 0.050
Estimate PP -> 0.018, PS -> 0.050

# 内嵌图像
fig, main_ax = plt.subplots()
hist, bins = np.histogram(img_gauss.flatten(), bins=255, range=[0, 255], density=True)
bar = main_ax.bar(bins[:-1], hist[:]), main_ax.set_xticks([]), main_ax.set_yticks([])inset_ax = fig.add_axes([0.1, 0.3, 0.2, 0.5])
inset_ax.imshow(img_gauss.reshape(185, 20), 'gray'), inset_ax.set_xticks([]), inset_ax.set_yticks([])plt.show()

第5章 Python 数字图像处理(DIP) - 图像复原与重建8 - 估计噪声参数相关推荐

第5章 Python 数字图像处理(DIP) - 图像复原与重建1 - 高斯噪声
本章主要讲图像复原与重建,首先是了解一下各种噪声的特点与模型,还有形成的方法.一些重点的噪声,如高斯噪声,均匀噪声,伽马噪声,指数噪声,还有椒盐噪声等. 本章主要的噪声研究方法主要是加性噪声. 标题 ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建7 - 周期噪声余弦噪声生成方法
标题周期噪声周期噪声周期噪声通常是在获取图像期间由电气或机电干扰产生的 def add_sin_noise(img, scale=1, angle=0):"""ad ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建6 - 椒盐噪声
标题椒盐噪声椒盐噪声如果kkk是一幅数字图像中表示灰度值的比特数,则灰度值可能是[0,2k−1][0, 2^k -1][0,2k−1].椒盐噪声的PDF为: P(z)={Ps,z=2k−1Pp, ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建5 - 均匀噪声
标题均匀噪声均匀噪声均匀噪声的PDF为 P(z)={1b−a,a≤z≤b0,other(5.13)P(z) = \begin{cases}\frac{1}{b-a}, & a\leq z ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建4 - 指数噪声
标题指数噪声指数噪声指数噪声的PDF为 P(z)={ae−az,z≥00,z<0(5.10)P(z) = \begin{cases} ae^{-az}, & z\geq 0 \\ ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建2 - 瑞利噪声
标题瑞利噪声瑞利噪声瑞利噪声的PDF为 P(z)={2b(z−a)e−(z−a)2/b,z≥a0,z<a(5.4)P(z) = \begin{cases} \frac{2}{b}(z-a) ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建12 - 空间滤波 - 使用频率域滤波降低周期噪声 - 陷波滤波、最优陷波滤波
标题使用频率域滤波降低周期噪声陷波滤波深入介绍最优陷波滤波本章陷波滤波器有部分得出的结果不佳,如果有更好的解决方案,请赐教,不胜感激. 使用频率域滤波降低周期噪声陷波滤波深入介绍零相移滤波 ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建17 - 由投影重建图像、雷登变换、投影、反投影、反投影重建
标题由投影重建图像投影和雷登变换 Johann Radon 反投影滤波反投影重建由投影重建图像本由投影重建图像,主要是雷登变换与雷登把变换的应用,所以也没有太多的研究,只为了保持完整性,而添 ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建16 - 约束最小二乘方滤波、几何均值滤波
标题约束最小二乘方滤波几何均值滤波约束最小二乘方滤波 F^(u,v)=[H∗(u,v)∣H(u,v)∣2+γ∣P(u,v)∣2]G(u,v)(5.89)\hat{F}(u,v) = \bigg[ ...

第5章 Python 数字图像处理(DIP) - 图像复原与重建8 - 估计噪声参数

标题

估计噪声参数

第5章 Python 数字图像处理(DIP) - 图像复原与重建8 - 估计噪声参数相关推荐

最新文章

热门文章