估計噪聲參數(shù)
周期噪聲的參數(shù)通常是通過檢測圖像的傅里葉譜來估計的。
只能使用由傳感器生成的圖像時，可由一小片恒定的背景灰度來估計PDF的參數(shù)。
來自圖像條帶的數(shù)據(jù)的最簡單用途是，計算灰度級的均值和方差。考慮由 S S S表示的一個條帶（子圖像），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計（歸一化直方圖值），其中 L L L是整數(shù)個圖像中的可能灰度（對8比特而言， L L L為256）。則均值和方差估計如下：
直方圖的形狀確認最接近的PDF匹配。若形狀大致為高斯分布的，則均值和方差就是我們所需要的，因為高斯PDF完全由這兩個參數(shù)規(guī)定。對于其它PDF，我們可以使用均值和方差來求解參數(shù) a和 b。
對于沖激噪聲的處理是不同的，因為需要的估計是黑、白像素出現(xiàn)的實際概率。要獲得這個估計，就需要看到黑色像素和白色像素，因此要算出噪聲的有意義的直方圖，圖像中就需要有一個相對恒定的中灰度區(qū)域。對應于黑色像素和白色像素的峰值高度是式(5.16)中 P p和Ps的估計。
# 一些重要的噪聲對應灰度的直方圖
img_ori = cv2.imread("DIP_Figures/DIP3E_Original_Images_CH05/Fig0503 (original_pattern).tif", 0)
# 豎圖[40:210, 35:60]，橫圖[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:
# 顯示圖像
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])
# 對應圖像的直方圖
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:
# 顯示圖像
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])
# 對應圖像的直方圖
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()
# 椒鹽噪聲的參數(shù)估計
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
# 內嵌圖像
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()
以上就是python數(shù)字圖像處理之估計噪聲參數(shù)的詳細內容，更多關于python圖像處理估計噪聲的資料請關注腳本之家其它相關文章！
您可能感興趣的文章:- 2021年最新用于圖像處理的Python庫總結
- python圖像處理基本操作總結（PIL庫、Matplotlib及Numpy）
- Python圖像處理之圖像拼接
- Python圖像處理之膨脹與腐蝕的操作
- python opencv圖像處理(素描、懷舊、光照、流年、濾鏡 原理及實現(xiàn))
- 基于python的opencv圖像處理實現(xiàn)對斑馬線的檢測示例
- Python圖像處理之圖片拼接和堆疊案例教程
