图像平均及其在降噪方面的应用

图像平均以及图像平均在应对椒盐/高斯/相机噪声方面的对比分析

概述：

图像平均操作是减少图像噪声的一种简单方式。

我们可以简单地从图像列表中计算出一幅平均图像。

假设所有的图像具有相同的大小,我们可以将这些图像简单地相加,然后除以图像的数目,来计算平均图像。

算法步骤：

对列表中的数字图像进行图像平均的处理顺序如下：

• a.输入或者获取文件名列表

• b.读取路径列表中的图像文件，转化为数组进行相加

• c.将累加结果除以图像数量，进行平均

• d.将平均结果构建为图片

• e.输出图像

编程实例：

# -*- coding: utf-8 -*-from PIL import Imagefrom pylab import *from numpy import*import os#通过目录路径获取其中具有特定后缀名（JPG）的文件名列表def get_imlist(path):    return [os.path.join(path,f) for f in os.listdir(path) if f.endswith('.JPG')]#读取路径列表中的图片，进行简单相加，并除以文件数量def compute_average(imlist):    averageim = array(Image.open(imlist[0]), 'f')    for imname in imlist[1:]:        try:            averageim += array(Image.open(imname))        except:            print imname + '...skipped'    averageim /= len(imlist)    return array(averageim, 'uint8')#通过样本文件夹路径获取图片样本imlist = get_imlist("./photosource3")#进行图片平均im_a = compute_average(imlist)#显示图片imshow(im_a)show()         

降噪——椒盐噪声：

这里我使用之前博客（《椒盐噪声》）中提到的生成椒盐噪声的方法，对同一张图片使用0.8的SNR（信噪比）连续生成8张带有大量椒盐噪声的测试图片，并对其进行平均操作：

椒盐噪声的生成 SaltAndPepperNoise.py：

# -*- coding: utf-8 -*-from PIL import Imagefrom pylab import *from numpy import*#读取图片,灰度化，并转为数组img = im = array(Image.open('./source/test.jpg').convert('L'))#信噪比SNR = 0.8#计算总像素数目 SP， 得到要加噪的像素数目 NP = SP * (1-SNR)noiseNum=int((1- SNR)*img.shape[0]*img.shape[1])#于随机位置将像素值随机指定为0或者255for i in range(noiseNum):    randX=random.random_integers(0,img.shape[0]-1)      randY=random.random_integers(0,img.shape[1]-1)      if random.random_integers(0,1)==0:          img[randX,randY]=0      else:          img[randX,randY]=255   #显示图像gray()imshow(img)show()         

原图

椒盐噪声图之一（SNR = 0.8）：

图像平均（4张）：

图像平均（8张）：

可以看出，图像平均起到了一定的降噪效果，并且随着平均图片的增加，清晰度也显著增加，相对于椒盐噪声，虽然然均值率滤波的信噪比比较低，去除椒盐噪声最常用的算法是中值滤波，但是直观的效果上图像平均是最好的，毕竟是基于多张图片的降噪方式。与此同时，面对高斯噪声，仍然是图像平均法在直观效果上比较优秀，下面我们测试一下高斯噪声。

降噪——高斯噪声：

这里我使用之前博客（《高斯噪声》）中提到的生成高斯噪声的方法，对同一张图片使用sigma = 30连续生成8张带有大量高斯噪声的测试图片，并对其进行平均操作：

高斯噪声的生成 GaussNoise.py：

# -*- coding: utf-8 -*-from PIL import Imagefrom pylab import *from numpy import*import random#读取图片并转为数组im = array(Image.open('./source/test.jpg'))#设定高斯函数的偏移means = 0#设定高斯函数的标准差sigma = 30#r通道r = im[:,:,0].flatten()#g通道g = im[:,:,1].flatten()#b通道b = im[:,:,2].flatten()#计算新的像素值for i in range(im.shape[0]*im.shape[1]):    pr = int(r[i]) + random.gauss(0,sigma)    pg = int(g[i]) + random.gauss(0,sigma)    pb = int(b[i]) + random.gauss(0,sigma)    if(pr < 0):    pr = 0    if(pr > 255):    pr = 255    if(pg < 0):    pg = 0    if(pg > 255):    pg = 255    if(pb < 0):    pb = 0    if(pb > 255):    pb = 255    r[i] = pr    g[i] = pg    b[i] = pbim[:,:,0] = r.reshape([im.shape[0],im.shape[1]])im[:,:,1] = g.reshape([im.shape[0],im.shape[1]])im[:,:,2] = b.reshape([im.shape[0],im.shape[1]])#显示图像imshow(im)show()         

高斯噪声图之一（sigma = 30）：

图像平均（4张）：

图像平均（8张）：

可以很明显的看出，图像平均的降噪效果还是比较明显的，随着平均图片的增加，清晰度逐渐增加，根据从网上找到的一篇论文的描述，常规降噪方法中，图像平均是直观效果最好的方法。

降噪——相机噪声：

相机在高感光度下拍摄照片会明显看到大量噪点，感光度越高噪点越多，相机拍摄照片时产生的噪点来自于传感器噪点。

数码相机传感器中的每个像素上都有一个或者更多光电二极管，光电二极管把落在象素上的光子转化为电子信号，然后计算出颜色值和其他值，最终构成一幅完整的图像。如果同一个象素在同一个进光量下曝光数次，该象素得出的颜色值可能会不尽相同，而这些微小的差异就形成了传感器的噪点。

就算在没有光进入传感器的情况下，传感器本身的电子运动也会产生一些信号，额外的信号便是噪音。

象素面积越小，产生噪点的机会越多，这就是小型数码相机照出来的相片噪点较多的原因（相对于数码单反）。专业级照相机通常拥有高质量的象素和强大的图像处理器，把噪点水平降到最低，甚至在高感光度下没有噪点出现。

这里我用老爸的单反对着我小时候的水粉画在同一位置用25600的高ISO连续拍了一组样本，照片太大，上传的图片已经压缩过了，在最后我会提供下载链接，下面是平均结果：

相机噪声图信息：

相机噪声图之一（ISO = 25600）：

图像平均（14张）：

可以比较明显的看出，红色蓝色波纹状的噪点基本都消失了，效果还是非常理想的。

结语：

本篇博客主要介绍了图像平均以及图像平均在应对椒盐/高斯/相机噪声方面的对比分析，总体来讲作为使用多张照片的降噪方式，虽然实现与原理十分简单，但是极大程度的保留了图片信息，直观效果非常明显，希望这篇博文对大家有所帮助～

照片样本下载地址：

http://download.csdn.net/detail/sunmc1204953974/9426150