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()
以上就是python数字图像处理之估计噪声参数的详细内容，更多关于python图像处理估计噪声的资料请关注脚本之家其它相关文章！
您可能感兴趣的文章:- 2021年最新用于图像处理的Python库总结
- python图像处理基本操作总结（PIL库、Matplotlib及Numpy）
- Python图像处理之图像拼接
- Python图像处理之膨胀与腐蚀的操作
- python opencv图像处理(素描、怀旧、光照、流年、滤镜 原理及实现)
- 基于python的opencv图像处理实现对斑马线的检测示例
- Python图像处理之图片拼接和堆叠案例教程
