python数字图像处理之估计噪声参数

2024-04-02 19:04:59 543人浏览八月长安

Python 官方文档：入门教程 => 点击学习

摘要

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

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 S S S表示的一个条带（子图像），并令 P S ( z i ) P_{S}(z_i) PS(zi)， i = 0 , 1 , 2 , … , L − 1 i = 0, 1, 2, \dots, L-1 i=0,1,2,…,L−1表示 S S S中的像素灰度的概率估计（归一化直方图值），其中 L L L是整数个图像中的可能灰度（对8比特而言， L L L为256）。则均值和方差估计如下：

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 a和 b。

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 P p和Ps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()