使用LPF/Notch滤波器执行图像去噪
0. 前言
在本节中,我们将学习如何使用频域滤波器(例如高斯低通滤波器和 Notch
滤波器)从输入图像中删除噪声。我们将首先使用 Notch
滤波器删除周期性噪声,然后介绍如何使用例如高斯滤波器等低通滤波器 (Low Pass Filter
, LPF
) 输出图像中的脉冲噪声。
1. 使用 Notch 滤波器去除图像周期性噪声
Notch
滤波器,也称为带阻滤波器( band-stop/band-reject filter
),由于该滤波器会阻挡/抑制图像中一些特定的频域表示而得名,它对于从图像中去除周期性噪声( periodic noise
)非常有用。在本节中,我们将介绍如何使用 Notch
滤波器从图像中去除周期性噪声。我们使用带有周期性噪声的输入图像,并尝试利用 numpy.fft
模块中的 fft2()
函数去除输入图像中的周期性噪声。
(1) 首先,导入所需 Python
库并读取输入图像,然后将其转换为灰度图像,使用 numpy.fft.fft2()
函数通过使用以下代码块:
import numpy as np
import numpy.fft as fp
from skimage.io import imread
from skimage.color import rgb2gray
import matplotlib.pyplot as plt
im_noisy = rgb2gray(imread("2.jpg"))
F_noisy = fp.fft2((im_noisy))
print(F_noisy.shape)
(2) 为了找出功率谱的频率,我们需要搜索功率谱中的异常亮点。因此,我们需要将功率谱绘制于带有标尺的坐标系中,为此我们需要编写 plot_freq_spectrum()
函数以查找这些异常亮点:
def plot_image(im, title):
plt.imshow(im, cmap='gray')
plt.axis('off')
plt.title(title, size=10)
def plot_freq_spectrum(F, title, cmap=plt.cm.gray):
plt.imshow((20*np.log10(0.1 + fp.fftshift(F))).real.astype(int), cmap=cmap)
plt.xticks(np.arange(0, im_noisy.shape[1], 25))
plt.yticks(np.arange(0, im_noisy.shape[0], 25))
plt.title(title, size=10)
(3) 接下来,绘制原始带有周期性噪声的图像及其功率谱:
plt.figure(figsize=(20,10))
plt.subplot(121), plot_image(im_noisy, 'Noisy Input Image')
plt.subplot(122), plot_freq_spectrum(F_noisy, 'Noisy Image Spectrum')
plt.tight_layout()
plt.show()
从上图中,可以观察到功率谱图像中心处有两个异常的明亮斑点,这可能导致噪声被放大。
(4) 接下来,我们过滤这两个频率(将相应的系数设置为 0
),然后将修改后的频谱转换回空域中,以检查是否能够删除周期性噪声:
F_noisy_shifted = fp.fftshift(F_noisy)
F_noisy_shifted[180,210] = F_noisy_shifted[200,190] = 0
im_out = fp.ifft2(fp.ifftshift(F_noisy_shifted)).real
(5) 绘制处理后的输出图像,查看是否能够恢复未被噪声污染的图像:
plt.figure(figsize=(10,8))
plot_image(im_out, 'Output Image')
plt.show()
从以上输出图像中可以看出,通过利用 Notch
滤波器过滤这两个频率可以删除图像中的周期性噪声。
2. 使用高斯滤波器去除椒盐噪声
在本节中,我们将学习如何使用频域中的低通滤波器( LPF
)从图像中删除脉冲噪声( impulse noise
,也称椒盐噪声)。为了完成此目标,我们将使用 scipy.fftpack
模块的 fft2()
函数计算图像的功率谱,然后使用高斯 LPF
去除噪声(噪声通常与图像中的高频分量相对应)。
(1) 首先,导入所需的 Python
库:
import numpy as np
from skimage.io import imread
from skimage.color import rgb2gray
import matplotlib.pyplot as plt
from scipy import ndimage
from scipy import fftpack
from skimage.util import random_noise
(2) 读取输入图像,将其转换为灰度图像,然后使用图像添加随机脉冲噪声,以获得带有噪声的图像,用于后续处理。我们使用 skimage.util
模块的 random_noise()
函数生成随机噪声:
skimage.util.random_noise(image, mode='gaussian', seed=None, clip=True, **kwargs)
random_noise()
函数用于将各种不同类型的随机噪声添加到浮点类型的输入图像 image
中。
# 读取输入图像并转换为灰度图像
im = rgb2gray(imread('1.png'))
noisy = random_noise(im, mode='s&p')
(3) 接下来,计算带有噪声图像的 DFT
,并在频域中使用标准偏差 σ σ σ 应用高斯 LPF
,然后执行 IDFT
,以获得平滑图像。scipy.ndimage
模块的 fourier_gaussian()
函数用于在频域中应用高斯 LPF
,此函数的调用方式如下:
scipy.ndimage.fourier.fourier_gaussian(input, sigma, n=-1, axis=-1, output=None)
调用 fourier_gaussian()
函数应用高斯 LPF
:
im_freq = fftpack.fft2(im)
noisy_freq = fftpack.fft2(noisy)
sigma = 1 # 0.1
noisy_smoothed_freq = ndimage.fourier_gaussian(noisy_freq, sigma=sigma)
noisy_smoothed = fftpack.ifft2(noisy_smoothed_freq)
(4) 接下来,绘制所有图像以及功率谱:
fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6)) = plt.subplots(3, 2, figsize=(20,20))
plt.gray() # 在灰度空间中显示处理结果
ax1.imshow(im), ax1.axis('off'), ax1.set_title('Original Image', size=10)
ax2.imshow((20*np.log10(0.1 + fftpack.fftshift(im_freq))).real.astype(int))
ax2.set_title('Original Image (Freq Spec)', size=10)
ax3.imshow(noisy), ax3.axis('off'), ax3.set_title('Noisy Image', size=10)
ax4.imshow((20*np.log10( 0.1 + fftpack.fftshift(noisy_freq))).real.astype(int))
ax4.set_title('Noisy Image (Freq Spec)', size=10)
ax5.imshow(noisy_smoothed.real), ax5.axis('off'), ax5.set_title('Output Image (with LPF)', size=10)
ax6.imshow( (20*np.log10( 0.1 + fftpack.fftshift(noisy_smoothed_freq))).real.astype(int))
ax6.set_title('Output Image (Freq Spec)', size=10)
plt.tight_layout()
plt.show()
从以上结果图像可以看出,大多数椒盐噪声(图像中的异常白/黑点)可以使用高斯 LPF
去除,高斯滤波器可以过滤掉与噪声相对应的高频,但同时这也会导致图像中一些细节的丢失。
相关链接
Python图像处理【1】图像与视频处理基础
Python图像处理【2】探索Python图像处理库
Python图像处理【3】Python图像处理库应用
Python图像处理【4】图像线性变换
Python图像处理【5】图像扭曲/逆扭曲
Python图像处理【7】采样、卷积与离散傅里叶变换