【干货】计算机视觉实战系列08——用Python做图像处理
【导读】在前面几讲中，专知成员Hui介绍了PIL、Matplotlib、Numpy、SciPy等Python图像处理的工具包。这一讲中，我们将介绍一个具体的实例——图像去噪，作为前面几讲的总结。
【干货】计算机视觉实战系列01——用Python做图像处理（基本的图像操作和处理）
【干货】计算机视觉实战系列02——用Python做图像处理（Matplotlib基本的图像操作和处理）
【干货】计算机视觉实战系列03——用Python做图像处理（Numpy基本操作和图像灰度变换）
【干货】计算机视觉实战系列04——用Python做图像处理（图像的缩放、均匀操作和直方图均衡化）
【干货】计算机视觉实战系列05——用Python做图像处理（主成分分析）
【干货】计算机视觉实战系列06——用Python做图像处理（图像高斯模糊分析）
【干货】计算机视觉实战系列07——用Python做图像处理（SciPy库的应用——图像导数实战）
图像去噪
图像去噪
图像去噪是给定一幅受损图像，在去除图像噪声的同时，尽可能地保留图像细节和结构的处理技术。图像去噪对于很多应用来说都非常重要；这些应用范围很广，小到让你的照片看起来更漂亮，大到提高卫星图像的质量。我们这里使用ROF去噪模型，ROF模型具有很好的性质；使处理后的图像更加平滑，同时保留图像边缘和结构信息。
ROF模型的数学基础和处理技巧非常高深，有兴趣的读者可以自学深入了解，本文只是做一个简单介绍。
ROF模型
一副图像I的全变差（Total Variation,TV）定义为梯度范数之和。
在连续表示的情况下，全变差表示为：
在离散表示的情况下，全变差表示为：
其中，上面的式子是在所有图像坐标x=[x,y]上取和。
在ROF模型里，目标函数是为了寻找降噪后的图像U，使下式最小：
其中范数||I-U||是去噪后图像U和原始图像I差异的度量。也就是说，本质上该模型使去噪后的图像像素值“平坦变化”，但是在图像区域的边缘上，允许图像像素值“跳跃变化”。
代码
from numpy import *
from numpy import linalg as LA
from numpy import random
from scipy.ndimage import filters
from scipy.misc import imsave
from PIL import Image
def denoise(im, U_init, tolerance=0.1, tau=0.125, tv_weight=100):
m, n = im.shape # 噪声图像的大小
U = U_init
Px = im # 对偶域的x 分量
Py = im # 对偶域的y 分量
error = 1
while (error > tolerance):
Uold = U
# 原始变量的梯度
GradUx = roll(U, -1, axis=1) - U # 变量U 梯度的x 分量
GradUy = roll(U, -1, axis=0) - U # 变量U 梯度的y 分量
# 更新对偶变量
PxNew = Px + (tau / tv_weight) * GradUx
PyNew = Py + (tau / tv_weight) * GradUy
NormNew = maximum(1, sqrt(PxNew ** 2 + PyNew ** 2))
Px = PxNew / NormNew # 更新x 分量（对偶）
Py = PyNew / NormNew # 更新y 分量（对偶）
# 更新原始变量
RxPx = roll(Px, 1, axis=1)
RyPy = roll(Py, 1, axis=0)
DivP = (Px - RxPx) + (Py - RyPy) # 对偶域的散度
U = im + tv_weight * DivP # 更新原始变量
# 更新误差
error = linalg.norm(U - Uold) / sqrt(n * m)
return U, im - U
im = zeros((500, 500))
im[100:400, 100:400] = 128
im[200:300, 200:300] = 255
im = im + 30 * random.standard_normal((500, 500))
U, T = denoise(im, im)
G = filters.gaussian_filter(im, 10)
from scipy.misc import imsave
imsave('test1.pdf', U)
imsave('test2.pdf', G)输出结果如下：
（a）
（b）
图中（a）为经过高斯模糊的图像，（b）为经过ROF模型去噪后的图像
在上面代码中，输入为含有噪声的灰度图像、U 的初始值、TV 正则项权值、步长、停业条件；输出：去噪和去除纹理后的图像、纹理残留。im.shape表示噪声图像的大小；Px和Py分别表示对偶域的x分量和对偶域的y分量；GtandUx和GrandUy分别表示变量U梯度的x分量和y分量； RxPx = roll(Px,1,axis=1)和 RyPy = roll(Py,1,axis=0)分别表示对x 分量进行向右x 轴平移和对y 分量进行向右y 轴平移；denoise方法最终返回去早后的图像和纹理残余。
在这个例子中，我们使用了roll() 函数。顾名思义，在一个坐标轴上，它循环“滚动”数组中的元素值。该函数可以非常方便地计算邻域元素的差异，比如这里的导数。我们还使用了linalg.norm() 函数，该函数可以衡量两个数组间（这个例子中是指图像矩阵U 和Uold）的差异。
下面，我们使用Erza Scarlet的图像进行去噪的实战练习
代码如下：
from numpy import *
from numpy import linalg as LA
from numpy import random
from scipy.ndimage import filters
from scipy.misc import imsave
from PIL import Image
import matplotlib.pyplot as plt
def denoise(im, U_init, tolerance=0.1, tau=0.125, tv_weight=100):
m, n = im.shape # 噪声图像的大小
U = U_init
Px = im # 对偶域的x 分量
Py = im # 对偶域的y 分量
error = 1
while (error > tolerance):
Uold = U
GradUx = roll(U, -1, axis=1) - U # 变量U 梯度的x 分量
GradUy = roll(U, -1, axis=0) - U # 变量U 梯度的y 分量
PxNew = Px + (tau / tv_weight) * GradUx
PyNew = Py + (tau / tv_weight) * GradUy
NormNew = maximum(1, sqrt(PxNew ** 2 + PyNew ** 2))
Px = PxNew / NormNew # 更新x 分量（对偶）
Py = PyNew / NormNew # 更新y 分量（对偶）
RxPx = roll(Px, 1, axis=1) # 对x 分量进行向右x 轴平移
RyPy = roll(Py, 1, axis=0) # 对y 分量进行向右y 轴平移
DivP = (Px - RxPx) + (Py - RyPy) # 对偶域的散度
U = im + tv_weight * DivP # 更新原始变量
# 更新误差
error = linalg.norm(U - Uold) / sqrt(n * m)
return U, im - U
fig = plt.figure(figsize=(15, 15))
im = array(Image.open('test.jpg').convert('L'))
U, T = denoise(im, im)
plt.imshow(U, plt.cm.gray)
plt.axis('equal')
plt.axis("off")
plt.show()输出如下：
参考文献：
python计算机视觉编程：http://yongyuan.name/pcvwithpython/
-END-