Für Bilder erfordert die Bildverbesserung im Allgemeinen Algorithmen/Modelle mit guten Rauschunterdrückungseffekten. Entsprechend dem Bild weist das Originalbild im Allgemeinen mehr oder weniger Rauschen auf, das durch unseren eigenen innovativen Algorithmus entrauscht werden kann. Es kann auch viele objektive Indikatoren geben, um die Wirkung des Bildes nach der Rauschunterdrückung zu bewerten.
Das folgende Bild zeigt das von meinem eigenen Algorithmus verarbeitete Bild, einschließlich vor und nach der Verarbeitung:
Es ist ersichtlich, dass mein Algorithmus hauptsächlich eine adaptive Korrektur der ungleichmäßigen Helligkeit für die ungleichmäßige Ausleuchtung des Bildes durchführt. Dazu gehört natürlich auch die Verbesserung von Bildern bei schlechten Lichtverhältnissen, wodurch nicht nur die Helligkeit dunkler Bereiche, sondern auch die Helligkeit heller Bereiche adaptiv angepasst werden kann. Das heißt, in einem Bild wird der helle Bereich nicht heller, während die niedrige Beleuchtungsstärke aufgehellt wird (das dritte Bild ist ein Algorithmus eines anderen, der dunkle Bereich ist hell, während der helle Bereich heller ist, was offensichtlich nicht das ist, was wir wollen. Gewünscht Erweiterungen).
Der Effekt der zufälligen Rauschaddition:
Aber wie können Sie beweisen, dass Ihr Algorithmus sehr robust ist? Eine der in diesem Artikel zum Ausdruck gebrachten Ideen besteht darin, dem Bild künstlich Rauschen hinzuzufügen, verschiedene Typen und unterschiedliche Dichten hinzuzufügen. Sie können verschiedene Algorithmen zum Entrauschen und Vergleichen verwenden und dann die objektiven Indikatoren des verarbeiteten Bildes vergleichen, um zu sehen, ob Ihr Algorithmus den Test bestehen kann. Sie können auch überprüfen, ob Ihr Algorithmus nur das feste Rauschen des Originalbilds entfernen kann. Wir fügen verschiedene Typen hinzu. Wenn der Entrauschungseffekt immer noch sehr gut ist, bedeutet dies, dass unser Algorithmus tatsächlich sehr robust ist. Ihr Algorithmus hat also eine starke Robustheit , was Sie nicht sagen. Es muss durch Experimente überprüft werden. Dann ist diese Art der zufälligen Rauschaddition ein guter Beweis. (gute Idee zum Schreiben einer Abschlussarbeit)
import cv2
import skimage
#img = cv2.imread('E:/python/CSDN/image/1.bmp',cv2.IMREAD_GRAYSCALE)
img = cv2.imread("img/1-7.jpg")
cv2.imshow("original",img)
# fig=plt.figure(figsize=(10, 50))
#显示原图
# plt.subplot(12,3,1),plt.imshow(img,'gray'),plt.title('original')
def addGaussNoise(origin,var):#添加高斯噪声函数
#var = random.uniform(0.0001, 0.04)
noisy = skimage.util.random_noise(origin, mode='gaussian', var=var)
return noisy
def addSaltNoise(origin,var):#添加椒盐噪声函数
#var = random.uniform(0.01, 0.2)
noisy = skimage.util.random_noise(origin, mode='s&p', amount=var)
return noisy
def addSpeckleNoise(origin,var):#添加乘法噪声函数
#var = random.uniform(0.0001, 0.04)
noisy = skimage.util.random_noise(origin, mode='speckle', var=var)
return noisy
img1 = addGaussNoise(img,0.02)
img2 = addGaussNoise(img,0.04)
img3 = addGaussNoise(img,0.06)
img4 = addGaussNoise(img,0.08)
img5 = addGaussNoise(img,0.10)
# img1 = addSaltNoise(img,0.02)
# img2 = addSaltNoise(img,0.04)
# img3 = addSaltNoise(img,0.06)
# img4 = addSaltNoise(img,0.08)
# img5 = addSaltNoise(img,0.10)
#img = addSpeckleNoise(img)
# img1 = addSpeckleNoise(img,0.02)
# img2 = addSpeckleNoise(img,0.04)
# img3 = addSpeckleNoise(img,0.06)
# img4 = addSpeckleNoise(img,0.08)
# img5 = addSpeckleNoise(img,0.10)
#显示添加噪声的原图
# # plt.subplot(12,3,4),plt.imshow(img,'gray'),plt.title('img_add_gaussin')
cv2.imshow('add1', img1)#显示读取的图
cv2.imshow('add2', img2)#显示读取的图
cv2.imshow('add3', img3)#显示读取的图
cv2.imshow('add4', img4)#显示读取的图
cv2.imshow('add5', img5)#显示读取的图
# #保存图片
# cv2.imwrite("img2/2222.jpg",img1)
cv2.waitKey()
Original Bild:
Rauschadditionseffekt: Je nach Häufigkeit, Breite und Klassifizierungstyp wurden im Experiment drei typische Geräusche ausgewählt, um die Robustheit des Algorithmus vollständig zu beweisen, und die Dichten wurden um 0,02, 0,04, 0,06, 0,08 und 0,1 addiert
Gauß:
Salz und Pfeffer hinzufügen:
Multiplikatives Rauschen hinzufügen:
1. Entsprechend der Beziehung zwischen Bild und Rauschen wird das Rauschen in die folgenden drei Formen unterteilt:
(1) Additives Rauschen: Das additive Rauschen im Bild wird im Allgemeinen durch das „Kanalrauschen“ und die Digitalisierung des Bildes durch die CCD-Kamera während der Bildübertragung erzeugt.
(2) Multiplikatives Rauschen : Das multiplikative Rauschen im Bild wird im Allgemeinen durch Partikel im Film, Rauschen im Flugpunkt-Scanbild und TV-Scanraster verursacht.
(3) Quantisierungsrauschen: Das Quantisierungsrauschen im Bild ist der Unterschied, den das Bild im Prozess der Bildquantisierung von analog zu digital erzeugt, und es ist der Fehler im Prozess der Bildquantisierung.
2. Das Rauschen im Bild kann in Gaußsches Rauschen (Gaußsches Rauschen), Impulsrauschen (Salz- und Pfefferrauschen) (Impulsrauschen), Rayleigh-Rauschen (Rayleigh-Rauschen), Gamma-Rauschen (Gamma-Rauschen) und exponentielles Rauschen unterteilt werden Wahrscheinlichkeitsverteilung Verschiedene Formen von Rauschen (exponentielles Rauschen) und gleichmäßiges Rauschen (gleichmäßiges Rauschen).
Unter diesen ist Gaußsches Rauschen das am weitesten verbreitete Rauschen. Gaußsches Rauschen ist eine Art additives Rauschen, das heißt, das Rauschen wird direkt zum Originalbild hinzugefügt , sodass es durch einen linearen Filter herausgefiltert werden kann . Das von Sensoren bei geringer Beleuchtung oder hohen Temperaturen erzeugte Rauschen ist Gaußsches Rauschen, und das in elektronischen Schaltkreisen erzeugte Rauschen ist ebenfalls Gaußsches Rauschen. Es gibt viele andere Geräusche, die in Form einer Gaußschen Verteilung (Normalverteilung) beschrieben werden können. Das Gaußsche Rauschmodell eignet sich für Sensorrauschen, das durch elektronische Schaltkreise, geringe Beleuchtung und hohe Temperaturen verursacht wird.
Salz- und Pfefferrauschen , auch Impulsrauschen genannt, ist ein zufälliger weißer Punkt (Salzrauschen) oder schwarzer Punkt (Pfefferrauschen), bei dem es sich um schwarze Pixel in hellen Bereichen oder weiße Pixel in dunklen Bereichen (oder beides) handeln kann Streuen Sie Salz und Pfeffer auf das Bild, daher der Name, z. B. Schneeflockenrauschen im Fernsehen. Salz- und Pfefferrauschen ist weder additives Rauschen noch multiplikatives Rauschen. Salz- und Pfefferrauschen kann als eine Art logisches Rauschen betrachtet werden. Das Ergebnis der Filterung mit einem linearen Filter ist nicht gut, und im Allgemeinen kann die Verwendung eines Medianfilters bessere Ergebnisse erzielen. Das Salz- und Pfefferrauschmodell wird für Rauschen verwendet, das durch fehlerhafte Schaltvorgänge in der Bildgebung usw. verursacht wird. Es handelt sich um eine Art Rauschen, das häufig auf Bildern zu sehen ist . Das Salz- und Pfefferrauschen kann durch plötzliche und starke Störungen des Videosignals, einen Analog-Digital-Wandler oder einen Bitübertragungsfehler usw. verursacht werden. Beispielsweise führt ein ausgefallener Sensor zu einem minimalen Pixelwert und ein gesättigter Sensor zu einem maximalen Pixelwert.