影像去噪

詳細描述

函式
void	cv::denoise_TVL1 (const std::vector< Mat > &observations, Mat &result, double lambda=1.0, int niters=30)
	原對偶演算法（Primal-dual algorithm）是用於解決特殊變分問題（即找到一個函式來最小化某個泛函）的演算法。由於影像去噪，特別是，可以被視為變分問題，因此原對偶演算法可以用於執行去噪，這正是此處所實現的功能。
void	cv::cuda::fastNlMeansDenoising (const GpuMat &src, GpuMat &dst, float h, int search_window=21, int block_size=7, Stream &stream=Stream::Null())
void	cv::cuda::fastNlMeansDenoising (InputArray src, OutputArray dst, float h, int search_window=21, int block_size=7, Stream &stream=Stream::Null())
	使用非區域性均值去噪演算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising 進行影像去噪，並帶有一些計算最佳化。期望噪聲為高斯白噪聲。
void	cv::fastNlMeansDenoising (InputArray src, OutputArray dst, const std::vector< float > &h, int templateWindowSize=7, int searchWindowSize=21, int normType=NORM_L2)
	使用非區域性均值去噪演算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 進行影像去噪，並帶有一些計算最佳化。期望噪聲為高斯白噪聲。
void	cv::fastNlMeansDenoising (InputArray src, OutputArray dst, float h=3, int templateWindowSize=7, int searchWindowSize=21)
	使用非區域性均值去噪演算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 進行影像去噪，並帶有一些計算最佳化。期望噪聲為高斯白噪聲。
void	cv::cuda::fastNlMeansDenoisingColored (const GpuMat &src, GpuMat &dst, float h_luminance, float photo_render, int search_window=21, int block_size=7, Stream &stream=Stream::Null())
void	cv::cuda::fastNlMeansDenoisingColored (InputArray src, OutputArray dst, float h_luminance, float photo_render, int search_window=21, int block_size=7, Stream &stream=Stream::Null())
	fastNlMeansDenoising 函式用於彩色影像的修改版本。
void	cv::fastNlMeansDenoisingColored (InputArray src, OutputArray dst, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21)
	fastNlMeansDenoising 函式用於彩色影像的修改版本。
void	cv::fastNlMeansDenoisingColoredMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21)
	fastNlMeansDenoisingMulti 函式用於彩色影像序列的修改版本。
void	cv::fastNlMeansDenoisingMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, const std::vector< float > &h, int templateWindowSize=7, int searchWindowSize=21, int normType=NORM_L2)
	fastNlMeansDenoising 函式用於在短時間內連續拍攝的影像序列的修改版本。例如影片。此版本的函式適用於灰度影像或手動操作色彩空間。更多詳情請參見 [45]（可在此公開訪問）。
void	cv::fastNlMeansDenoisingMulti (InputArrayOfArrays srcImgs, OutputArray dst, int imgToDenoiseIndex, int temporalWindowSize, float h=3, int templateWindowSize=7, int searchWindowSize=21)
	fastNlMeansDenoising 函式用於在短時間內連續拍攝的影像序列的修改版本。例如影片。此版本的函式適用於灰度影像或手動操作色彩空間。更多詳情請參見 [45]（可在此公開訪問）。
void	cv::cuda::nonLocalMeans (const GpuMat &src, GpuMat &dst, float h, int search_window=21, int block_size=7, int borderMode=BORDER_DEFAULT, Stream &stream=Stream::Null())
void	cv::cuda::nonLocalMeans (InputArray src, OutputArray dst, float h, int search_window=21, int block_size=7, int borderMode=BORDER_DEFAULT, Stream &stream=Stream::Null())
	執行純粹的非區域性均值去噪，沒有任何簡化，因此速度不快。

函式文件

denoise_TVL1()

void cv::denoise_TVL1	(	const std::vector< Mat > &	observations,
		Mat &	result,
		double	lambda = 1.0,
		int	niters = 30 )

Python
	cv.denoise_TVL1(	observations, result[, lambda_[, niters]]	) ->	無

#include <opencv2/photo.hpp>

原對偶演算法（Primal-dual algorithm）是用於解決特殊變分問題（即找到一個函式來最小化某個泛函）的演算法。由於影像去噪，特別是，可以被視為變分問題，因此原對偶演算法可以用於執行去噪，這正是此處所實現的功能。

值得注意的是，此實現取自2013年7月的部落格文章 [201]，該文章還包含了（略微更通用）現成的Python原始碼。隨後，該程式碼於2013年7月底由Vadim Pisarevsky 使用OpenCV重寫為C++，最終由後來的作者稍作修改。

儘管演算法的徹底討論和論證可以在 [50] 中找到，但在這裡按照 [201] 瀏覽一下可能更有意義。首先，我們將1位元組灰度影像視為畫素矩形域上的函式（可以看作是對於某些 \(m,\;n\in\mathbb{N}\) 的集合 \(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\) 到 \(\{0,1,\dots,255\}\)）。我們將噪聲影像表示為 \(f_i\)，在此檢視下，給定相同大小的影像 \(x\)，我們可以透過以下公式衡量其“糟糕”程度：

\[\left\|\left\|\nabla x\right\|\right\| + \lambda\sum_i\left\|\left\|x-f_i\right\|\right\|\]

\(\|\|\cdot\|\|\) 在此處表示 \(L_2\)-範數。您可以看到，第一項表明我們希望影像是平滑的（理想情況下，梯度為零，從而保持常數），第二項表明我們希望結果接近我們獲得的觀測值。如果我們將 \(x\) 視為一個函式，這正是我們尋求最小化的泛函，而原對偶演算法（Primal-Dual algorithm）便在此處發揮作用。

引數

observations	此陣列應包含要恢復影像的一個或多個帶噪版本。
result	去噪後的影像將儲存在此處。無需預先分配儲存空間，因為在必要時會自動分配。
lambda	對應於上述公式中的 \(\lambda\)。當其增大時，平滑（模糊）影像比細節豐富（但可能噪聲更多）的影像更受青睞。粗略地說，當它變小時，結果會更模糊，但更嚴重的離群值將被去除。
niters	演算法將執行的迭代次數。當然，迭代次數越多越好，但很難定量地完善這個說法，因此只需使用預設值，如果結果不佳則增加它。

fastNlMeansDenoising() [1/4]

void cv::cuda::fastNlMeansDenoising ( const GpuMat & src, GpuMat & dst, float h, int search_window = 21, int block_size = 7, Stream & stream = Stream::Null() )

inline

Python
	cv.cuda.fastNlMeansDenoising(	src, h[, dst[, search_window[, block_size[, stream]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

此函式的呼叫圖如下

fastNlMeansDenoising() [2/4]

void cv::cuda::fastNlMeansDenoising	(	InputArray	src,
		OutputArray	dst,
		float	h,
		int	search_window = 21,
		int	block_size = 7,
		Stream &	stream = Stream::Null() )

Python
	cv.cuda.fastNlMeansDenoising(	src, h[, dst[, search_window[, block_size[, stream]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

使用非區域性均值去噪演算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising 進行影像去噪，並帶有一些計算最佳化。期望噪聲為高斯白噪聲。

引數

src	輸入8位1通道、2通道或3通道影像。
dst	輸出影像，其大小和型別與 src 相同。
h	調節濾鏡強度的引數。較大的h值可以完美去除噪聲，但也會去除影像細節；較小的h值保留細節，但也會保留一些噪聲。
search_window	用於計算給定畫素加權平均值的視窗大小（以畫素為單位）。應為奇數。線性影響效能：search_window越大，去噪時間越長。推薦值21畫素。
block_size	用於計算權重的模板塊大小（以畫素為單位）。應為奇數。推薦值7畫素。
流	Stream 用於非同步呼叫。

此函式預期應用於灰度影像。對於彩色影像，請檢視 FastNonLocalMeansDenoising::labMethod。

另請參見

fastNlMeansDenoising

fastNlMeansDenoising() [3/4]

void cv::fastNlMeansDenoising	(	InputArray	src,
		OutputArray	dst,
		const std::vector< float > &	h,
		int	templateWindowSize = 7,
		int	searchWindowSize = 21,
		int	normType = NORM_L2 )

Python
	cv.fastNlMeansDenoising(	src[, dst[, h[, templateWindowSize[, searchWindowSize]]]]	) ->	dst
	cv.fastNlMeansDenoising(	src, h[, dst[, templateWindowSize[, searchWindowSize[, normType]]]]	) ->	dst

#include <opencv2/photo.hpp>

使用非區域性均值去噪演算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 進行影像去噪，並帶有一些計算最佳化。期望噪聲為高斯白噪聲。

引數

src	輸入8位或16位（僅適用於 NORM_L1）1通道、2通道、3通道或4通道影像。
dst	輸出影像，其大小和型別與 src 相同。
templateWindowSize	用於計算權重的模板塊大小（以畫素為單位）。應為奇數。推薦值7畫素。
searchWindowSize	用於計算給定畫素加權平均值的視窗大小（以畫素為單位）。應為奇數。線性影響效能：searchWindowsSize 越大，去噪時間越長。推薦值21畫素。
h	調節濾鏡強度的引數陣列，可以是應用於所有通道的一個引數，也可以是dst中每個通道一個引數。較大的h值可以完美去除噪聲，但也會去除影像細節；較小的h值保留細節，但也會保留一些噪聲。
normType	用於權重計算的範數型別。可以是 NORM_L2 或 NORM_L1。

此函式預期應用於灰度影像。對於彩色影像，請檢視 fastNlMeansDenoisingColored。此函式的高階用法可以是在不同色彩空間中手動去噪彩色影像。fastNlMeansDenoisingColored 透過將影像轉換為 CIELAB 色彩空間，然後使用不同的h引數分別去噪L和AB分量來使用這種方法。

fastNlMeansDenoising() [4/4]

void cv::fastNlMeansDenoising	(	InputArray	src,
		OutputArray	dst,
		float	h = 3,
		int	templateWindowSize = 7,
		int	searchWindowSize = 21 )

Python
	cv.fastNlMeansDenoising(	src[, dst[, h[, templateWindowSize[, searchWindowSize]]]]	) ->	dst
	cv.fastNlMeansDenoising(	src, h[, dst[, templateWindowSize[, searchWindowSize[, normType]]]]	) ->	dst

#include <opencv2/photo.hpp>

使用非區域性均值去噪演算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 進行影像去噪，並帶有一些計算最佳化。期望噪聲為高斯白噪聲。

引數

src	輸入8位1通道、2通道、3通道或4通道影像。
dst	輸出影像，其大小和型別與 src 相同。
templateWindowSize	用於計算權重的模板塊大小（以畫素為單位）。應為奇數。推薦值7畫素。
searchWindowSize	用於計算給定畫素加權平均值的視窗大小（以畫素為單位）。應為奇數。線性影響效能：searchWindowsSize 越大，去噪時間越長。推薦值21畫素。
h	調節濾鏡強度的引數。較大的h值可以完美去除噪聲，但也會去除影像細節；較小的h值保留細節，但也會保留一些噪聲。

此函式預期應用於灰度影像。對於彩色影像，請檢視 fastNlMeansDenoisingColored。此函式的高階用法可以是在不同色彩空間中手動去噪彩色影像。fastNlMeansDenoisingColored 透過將影像轉換為 CIELAB 色彩空間，然後使用不同的h引數分別去噪L和AB分量來使用這種方法。

fastNlMeansDenoisingColored() [1/3]

void cv::cuda::fastNlMeansDenoisingColored ( const GpuMat & src, GpuMat & dst, float h_luminance, float photo_render, int search_window = 21, int block_size = 7, Stream & stream = Stream::Null() )

inline

Python
	cv.cuda.fastNlMeansDenoisingColored(	src, h_luminance, photo_render[, dst[, search_window[, block_size[, stream]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

此函式的呼叫圖如下

fastNlMeansDenoisingColored() [2/3]

void cv::cuda::fastNlMeansDenoisingColored	(	InputArray	src,
		OutputArray	dst,
		float	h_luminance,
		float	photo_render,
		int	search_window = 21,
		int	block_size = 7,
		Stream &	stream = Stream::Null() )

Python
	cv.cuda.fastNlMeansDenoisingColored(	src, h_luminance, photo_render[, dst[, search_window[, block_size[, stream]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

fastNlMeansDenoising 函式用於彩色影像的修改版本。

引數

src	輸入 8 位 3 通道影像。
dst	輸出影像，其大小和型別與 src 相同。
h_luminance	調節濾鏡強度的引數。較大的h值可以完美去除噪聲，但也會去除影像細節；較小的h值保留細節，但也會保留一些噪聲。
photo_render	float 與h相同，但用於顏色分量。對於大多數影像，值等於10足以去除彩色噪聲且不扭曲顏色。
search_window	用於計算給定畫素加權平均值的視窗大小（以畫素為單位）。應為奇數。線性影響效能：search_window越大，去噪時間越長。推薦值21畫素。
block_size	用於計算權重的模板塊大小（以畫素為單位）。應為奇數。推薦值7畫素。
流	Stream 用於非同步呼叫。

該函式將影像轉換為 CIELAB 色彩空間，然後使用 FastNonLocalMeansDenoising::simpleMethod 函式，並給定h引數，分別去噪 L 和 AB 分量。

另請參見

fastNlMeansDenoisingColored

fastNlMeansDenoisingColored() [3/3]

void cv::fastNlMeansDenoisingColored	(	InputArray	src,
		OutputArray	dst,
		float	h = 3,
		float	hColor = 3,
		int	templateWindowSize = 7,
		int	searchWindowSize = 21 )

Python
	cv.fastNlMeansDenoisingColored(	src[, dst[, h[, hColor[, templateWindowSize[, searchWindowSize]]]]]	) ->	dst

#include <opencv2/photo.hpp>

fastNlMeansDenoising 函式用於彩色影像的修改版本。

引數

src	輸入 8 位 3 通道影像。
dst	輸出影像，其大小和型別與 src 相同。
templateWindowSize	用於計算權重的模板塊大小（以畫素為單位）。應為奇數。推薦值7畫素。
searchWindowSize	用於計算給定畫素加權平均值的視窗大小（以畫素為單位）。應為奇數。線性影響效能：searchWindowsSize 越大，去噪時間越長。推薦值21畫素。
h	調節亮度分量濾鏡強度的引數。較大的h值可以完美去除噪聲，但也會去除影像細節；較小的h值保留細節，但也會保留一些噪聲。
hColor	與h相同，但用於顏色分量。對於大多數影像，值等於10足以去除彩色噪聲且不扭曲顏色。

該函式將影像轉換為 CIELAB 色彩空間，然後使用 fastNlMeansDenoising 函式，並給定h引數，分別去噪 L 和 AB 分量。

fastNlMeansDenoisingColoredMulti()

void cv::fastNlMeansDenoisingColoredMulti	(	InputArrayOfArrays	srcImgs,
		OutputArray	dst,
		int	imgToDenoiseIndex,
		int	temporalWindowSize,
		float	h = 3,
		float	hColor = 3,
		int	templateWindowSize = 7,
		int	searchWindowSize = 21 )

Python
	cv.fastNlMeansDenoisingColoredMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize[, dst[, h[, hColor[, templateWindowSize[, searchWindowSize]]]]]	) ->	dst

#include <opencv2/photo.hpp>

fastNlMeansDenoisingMulti 函式用於彩色影像序列的修改版本。

引數

srcImgs	輸入8位3通道影像序列。所有影像應具有相同的型別和大小。
imgToDenoiseIndex	要去噪的目標影像在 srcImgs 序列中的索引。
temporalWindowSize	用於目標影像去噪的周圍影像數量。應為奇數。將使用 srcImgs 中從 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的影像來去噪 srcImgs[imgToDenoiseIndex] 影像。
dst	輸出影像，其大小和型別與 srcImgs 影像相同。
templateWindowSize	用於計算權重的模板塊大小（以畫素為單位）。應為奇數。推薦值7畫素。
searchWindowSize	用於計算給定畫素加權平均值的視窗大小（以畫素為單位）。應為奇數。線性影響效能：searchWindowsSize 越大，去噪時間越長。推薦值21畫素。
h	調節亮度分量濾鏡強度的引數。較大的h值可以完美去除噪聲，但也會去除影像細節；較小的h值保留細節，但也會保留一些噪聲。
hColor	與h相同，但用於顏色分量。

該函式將影像轉換為 CIELAB 色彩空間，然後使用 fastNlMeansDenoisingMulti 函式，並給定h引數，分別去噪 L 和 AB 分量。

fastNlMeansDenoisingMulti() [1/2]

void cv::fastNlMeansDenoisingMulti	(	InputArrayOfArrays	srcImgs,
		OutputArray	dst,
		int	imgToDenoiseIndex,
		int	temporalWindowSize,
		const std::vector< float > &	h,
		int	templateWindowSize = 7,
		int	searchWindowSize = 21,
		int	normType = NORM_L2 )

Python
	cv.fastNlMeansDenoisingMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize[, dst[, h[, templateWindowSize[, searchWindowSize]]]]	) ->	dst
	cv.fastNlMeansDenoisingMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize, h[, dst[, templateWindowSize[, searchWindowSize[, normType]]]]	) ->	dst

#include <opencv2/photo.hpp>

fastNlMeansDenoising 函式用於在短時間內連續拍攝的影像序列的修改版本。例如影片。此版本的函式適用於灰度影像或手動操作色彩空間。更多詳情請參見 [45]（可在此公開訪問）。

引數

srcImgs	輸入8位或16位（僅適用於 NORM_L1）1通道、2通道、3通道或4通道影像序列。所有影像應具有相同的型別和大小。
imgToDenoiseIndex	要去噪的目標影像在 srcImgs 序列中的索引。
temporalWindowSize	用於目標影像去噪的周圍影像數量。應為奇數。將使用 srcImgs 中從 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的影像來去噪 srcImgs[imgToDenoiseIndex] 影像。
dst	輸出影像，其大小和型別與 srcImgs 影像相同。
templateWindowSize	用於計算權重的模板塊大小（以畫素為單位）。應為奇數。推薦值7畫素。
searchWindowSize	用於計算給定畫素加權平均值的視窗大小（以畫素為單位）。應為奇數。線性影響效能：searchWindowsSize 越大，去噪時間越長。推薦值21畫素。
h	調節濾鏡強度的引數陣列，可以是應用於所有通道的一個引數，也可以是dst中每個通道一個引數。較大的h值可以完美去除噪聲，但也會去除影像細節；較小的h值保留細節，但也會保留一些噪聲。
normType	用於權重計算的範數型別。可以是 NORM_L2 或 NORM_L1。

fastNlMeansDenoisingMulti() [2/2]

void cv::fastNlMeansDenoisingMulti	(	InputArrayOfArrays	srcImgs,
		OutputArray	dst,
		int	imgToDenoiseIndex,
		int	temporalWindowSize,
		float	h = 3,
		int	templateWindowSize = 7,
		int	searchWindowSize = 21 )

Python
	cv.fastNlMeansDenoisingMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize[, dst[, h[, templateWindowSize[, searchWindowSize]]]]	) ->	dst
	cv.fastNlMeansDenoisingMulti(	srcImgs, imgToDenoiseIndex, temporalWindowSize, h[, dst[, templateWindowSize[, searchWindowSize[, normType]]]]	) ->	dst

#include <opencv2/photo.hpp>

fastNlMeansDenoising 函式用於在短時間內連續拍攝的影像序列的修改版本。例如影片。此版本的函式適用於灰度影像或手動操作色彩空間。更多詳情請參見 [45]（可在此公開訪問）。

引數

srcImgs	輸入8位1通道、2通道、3通道或4通道影像序列。所有影像應具有相同的型別和大小。
imgToDenoiseIndex	要去噪的目標影像在 srcImgs 序列中的索引。
temporalWindowSize	用於目標影像去噪的周圍影像數量。應為奇數。將使用 srcImgs 中從 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的影像來去噪 srcImgs[imgToDenoiseIndex] 影像。
dst	輸出影像，其大小和型別與 srcImgs 影像相同。
templateWindowSize	用於計算權重的模板塊大小（以畫素為單位）。應為奇數。推薦值7畫素。
searchWindowSize	用於計算給定畫素加權平均值的視窗大小（以畫素為單位）。應為奇數。線性影響效能：searchWindowsSize 越大，去噪時間越長。推薦值21畫素。
h	調節濾鏡強度的引數。較大的h值可以完美去除噪聲，但也會去除影像細節；較小的h值保留細節，但也會保留一些噪聲。

nonLocalMeans() [1/2]

void cv::cuda::nonLocalMeans ( const GpuMat & src, GpuMat & dst, float h, int search_window = 21, int block_size = 7, int borderMode = BORDER_DEFAULT, Stream & stream = Stream::Null() )

inline

Python
	cv.cuda.nonLocalMeans(	src, h[, dst[, search_window[, block_size[, borderMode[, stream]]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

此函式的呼叫圖如下

nonLocalMeans() [2/2]

void cv::cuda::nonLocalMeans	(	InputArray	src,
		OutputArray	dst,
		float	h,
		int	search_window = 21,
		int	block_size = 7,
		int	borderMode = BORDER_DEFAULT,
		Stream &	stream = Stream::Null() )

Python
	cv.cuda.nonLocalMeans(	src, h[, dst[, search_window[, block_size[, borderMode[, stream]]]]]	) ->	dst

#include <opencv2/photo/cuda.hpp>

執行純粹的非區域性均值去噪，沒有任何簡化，因此速度不快。

引數

src	源影像。僅支援 CV_8UC1、CV_8UC2 和 CV_8UC3。
dst	目標影像。
h	濾鏡 sigma，調節顏色濾鏡強度。
search_window	搜尋視窗的大小。
block_size	用於計算權重的塊大小。
borderMode	邊框型別。詳情請參見 borderInterpolate。目前支援 BORDER_REFLECT101、BORDER_REPLICATE、BORDER_CONSTANT、BORDER_REFLECT 和 BORDER_WRAP。
流	Stream 用於非同步版本。

另請參見

fastNlMeansDenoising