OpenCV笔记：图像去噪对比
图像去噪对比
1. 均值滤波（Mean Filtering）
- 方法：用像素周围的像素平均值替换每个像素值。
- 适用场景：适用于去除随机噪声，如在不强调图像细节的场景中，如果图像细节较多时，可能会导致图像模糊。
- 局限性: 容易引起图像模糊，导致边缘和细节的丢失。
- 方法：用像素周围的中值替换每个像素值。
- 适用场景：特别有效于去除椒盐噪声（随机出现的黑白点，如扫描或拍照过程中产生的点状噪声），同时能够较好地保持图像边缘。
- 局限性: 在处理大面积噪声时效果不佳，可能导致图像边缘的模糊。
3. 高斯滤波（Gaussian Filtering）
- 方法：使用高斯函数作为权重，计算像素及其邻域的加权平均值。
- 适用场景：适用于去除高斯噪声，对图像进行平滑处理。在保留边缘信息方面比均值滤波更好，常用于摄影图像的预处理。
- 局限性: 仍然会导致一定程度的模糊，尤其是在边缘处。
3.1 高斯噪声
- 特点
- 通常表现为每个像素点的灰度值随机偏离其真实值，而这种偏离的概率分布符合高斯分布。
- 与椒盐噪声不同，高斯噪声影响图像中的每个像素，而不是特定位置的像素。
- 原因
- 电子元件：如传感器读出噪声、放大器噪声等，这些通常是由于电子元器件的物理限制造成的。
- 环境因素：如热噪声，也称为Johnson-Nyquist噪声，通常由电子设备的温度引起。
4. 双边滤波（Bilateral Filtering）
- 方法：同时考虑空间邻近度和像素值相似度，保边缘的滤波方法。结合空间邻域和像素值的相似性进行加权平均，能够在去噪的同时保留边缘信息。
- 适用场景：在去噪的同时保持边缘信息，适用于细节丰富的图像。适用于图像增强和保边去噪，特别是在需要保留边缘和细节的场景，如医学图像处理或高清照片处理。
- 局限性: 计算复杂度较高，处理速度相对较慢。
5. 非局部均值滤波（Non-Local Means, NLM）
- 方法简介: 利用图像中重复的纹理和模式，通过搜索整个图像来找到相似的像素块并进行加权平均。
- 适用场景: 特别适用于去除具有纹理的图像中的噪声，可以很好地保持图像的结构。如自然图像的去噪，在图像有重复纹理或结构时效果尤佳。
- 局限性: 计算复杂度高，处理时间较长。
6. 总变分去噪（Total Variation Denoising, TV）
- 方法简介: 通过最小化图像的总变分来减少噪声，同时保留图像的边缘。
- 适用场景: 适用于高斯噪声去除，在保留边缘信息的同时，减少了图像模糊。广泛应用于图像复原领域。
- 局限性: 可能会在平坦区域产生阶梯效应。
7. 小波去噪（Wavelet Denoising）
- 方法简介: 将图像分解为不同尺度和方向的子带，然后对子带系数进行处理。
- 适用场景: 适用于多尺度噪声去除，去除具有不同频率特性的噪声，特别适用于保持图像细节和边缘。如医学图像、卫星图像中的噪声处理。
- 局限性: 阈值选择不当可能导致细节损失或噪声去除不完全。
8. 滤波器组去噪（Filter Bank Denoising）
- 方法：使用一组滤波器分别处理图像的不同部分。
- 适用场景：适用于具有不同噪声特性的多通道图像。