图像处理之每日一练：噪声的添加和过滤

总结学习下图像处理方面基础知识。

这是第一篇，简单的介绍下使用OpenCV的三个基本功能：

图像的读取
图像的显示
访问图像的像素值
然后概述下图像噪声的类型，并为图像添加两种常见的噪声：高斯噪声和椒盐噪声。

最后，使用中值滤波和均值滤波来处理带有噪声的图像。

OpenCV基础

在OpenCV中，完成图像的输入输出以及显示，只需要以下几个函数：

namedWindow

创建一个可以通过其名字引用的窗口。第一个参数，设置窗口的name，可以通过name引用该窗口；第二个参数，设置窗口的大小。有以下几个选择：

WINDOW_NORMAL or WINDOW_AUTOSIZE 调整窗口的大小以适应图像，不同的是，使用WINDOW_NORMAL可以手动调整窗口的大小；WINDOW_AUTOSIZE不能调整窗口的大小。

WINDOW_FREERATIO or WINDOW_KEEPRATIO 改变窗口时是否会保持图像的ratio不变，没发现这俩有什么区别。

imshow

显示图像

imread

读取图像数据到

Mat

中,第一个参数是图像的文件名；第二个参数是标志，标识怎么处理图像的色彩。常用的几个选项：

IMREAD_UNCHANGED 和原图像保持一直不变
IMREAD_GRAYSCALE 将图像转换为单通道的灰度图
IMREAD_COLOR 将图像转换为3通道的BGR，默认选项
IMREAD_REDUCED_GRAYSCALE_2 IMREAD_REDUCED_GRAYSCALE_4 IMREAD_REDUCED_GRAYSCALE_8 单通道灰度图读入图像，并减小图像的大小。减小的值为1/2,1/4,1/8

IMREAD_REDUCED_COLOR_2 IMREAD_REDUCED_COLOR_4 IMREAD_REDUCED_COLOR_2 3通道BGR读入图像，并减小图像的大小。减小的值为1/2,1/4,1/8

Mat

是OpenCV中最重要的数据结构，在做图像处理时基本都是对该结构体的操作。

Mat

由两部分构成：矩阵头和矩阵数据，矩阵头较小，创建的每个

Mat

实例都拥有一个矩阵头，而矩阵数据通常占有较大的空间，OpenCV中通过引用计数来管理这部分内存空间，当调用赋值运算符和拷贝构造函数时，并不会只复制矩阵头，并不会复制矩阵数据，只是将其的引用计数加1.例如：

Mat m = imread("img.jpg");
Mat a = m; // 赋值运算符
Mat b(m); // 拷贝构造函数

上面代码中的

a

,

b

和

m

各自拥有自己的矩阵头，其引用的数据却指向同一份。也就是说，修改了其中任意一个，都会影响到其余的两个。

要想复制矩阵数据，可以调用

clone

和

copyTo

这两个函数

Mat m = imread("img.jpg");
Mat f = m.clone();
Mat g ;
m.copyTo(g);

将图像读入到

Mat

后，有三种方式访问

Mat

中的数据：

通过指针
使用迭代器
调用at

图像噪声

图像噪声是图像在获取或传输的过程中受到随机信号的干扰，在图像上出现的一些随机的、离散的、孤立的像素点，这些点会干扰人眼对图像信息的分析。图像的噪声通常是比较复杂的，很多时候将其看成是多维随机过程，因而可以借助于随即过程描述噪声，即使用概率分布函数和概率密度函数。

图像的噪声很多，性质也千差万别， 可以通过不同的方法给噪声分类。

按照产生的原因：

外部噪声
内部噪声

这种分类方法，有助于理解噪声产生的源头，但对于降噪算法只能起到原理上的帮组。
噪声和图像信号的关系，可以分为：

加性噪声，加性噪声和图像信号强度不相关，这类噪声可以看着理想无噪声图像f和噪声的和。
乘性噪声，乘性噪声和图像信号是相关的，往往随图像信号的变化而变化。

而为了分析处理的方便，常常将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相独立的。
最重要的来了，按照概率密度函数（PDF）分类：

高斯噪声，高斯噪声模型经常被用于实践中。
脉冲噪声（椒盐噪声），图像上一个个点，也可称为散粒和尖峰噪声。
伽马噪声
瑞利噪声
指数分布噪声
均匀分布噪声

这种分类方法，引入了数学模型，对设计过滤算法比较有帮助。

给图像添加噪声

按照指定的噪声类型，生成一个随机数，然后将这个随机数加到源像素值上，并将得到的值所放到[0,255]区间即可。

C++11 随机数发生器

新的随机数生成器被抽象成了两个部分：随机数生成引擎和要生成的随机数符合的分布。

随机数引擎有三种：

linear_congruential_engine 线性同余算法
mersenne_twister_engine 梅森旋转算法
subtract_with_carry_engine 带进位的线性同余算法
第一种最常用，而且速度比较快；第二种号称最好的伪随机数生成器

#include <random>

std::random_device rd; // 随机数种子
std::mt19937 mt(rd()); // 随机数引擎
std::normal_distribution<> d(5,20); // 高斯分布

std::map<int,int> hist;
for(int n = 0; n < 10000; n ++)
++hist[std::round(d(mt))]; // 生成符合高斯分布的随机数

添加图像噪声

使用C++的随机数发生器为图像添加两种噪声：椒盐噪声和高斯噪声。

椒盐噪声是图像中离散分布的白点或者黑点，其代码如下：

// 添加椒盐噪声
void addSaltNoise(Mat &m, int num)
{
// 随机数产生器
std::random_device rd; //种子
std::mt19937 gen(rd()); // 随机数引擎

auto cols = m.cols * m.channels();

for (int i = 0; i < num; i++)
{
auto row = static_cast<int>(gen() % m.rows);
auto col = static_cast<int>(gen() % cols);

auto p = m.ptr<uchar>(row);
p[col++] = 255;
p[col++] = 255;
p[col] = 255;
}
}

上述代码中使用

ptr<uchar>()

获取图像某一行的行首指针，得到行首指针后就可以任意的访问改行的像素值。

高斯噪声是一种加性噪声，为图像添加高斯噪声的代码如下：

// 添加Gussia噪声
// 使用指针访问
void addGaussianNoise(Mat &m, int mu, int sigma)
{
// 产生高斯分布随机数发生器
std::random_device rd;
std::mt19937 gen(rd());

std::normal_distribution<> d(mu, sigma);

auto rows = m.rows; // 行数
auto cols = m.cols * m.channels(); // 列数

for (int i = 0; i < rows; i++)
{
auto p = m.ptr<uchar>(i); // 取得行首指针
for (int j = 0; j < cols; j++)
{
auto tmp = p[j] + d(gen);
tmp = tmp > 255 ? 255 : tmp;
tmp = tmp < 0 ? 0 : tmp;
p[j] = tmp;
}
}
}

随机产生符合高斯分布的随机数，然后将该值和图像原有的像素值相加，并将得到的和压缩到[0,255]区间内。



左边是原图，中间的是添加高斯噪声后的图像，最右边的是添加椒盐噪声后的图像。

使用滤波器去除噪声

根据噪声类型的不同，选择不同的滤波器过滤掉噪声。通常，对于椒盐噪声，选择中值滤波器（Median Filter），在去掉噪声的同时，不会模糊图像；对于高斯噪声，选择均值滤波器（Mean Filter），能够去掉噪声，但会对图像造成一定的模糊。

在OpenCV中，对应于均值滤波器的函数是

blur

，该函数需要5个参数，通常只设置前3个后两个使用默认值即可。

blur(m, m2, Size(5, 5));

第一个参数是输入的图像，第二个参数是输出的图像，第三个参数是滤波器的大小，这里使用的是\(5 \times 5\)的矩形。

对应于中值滤波器的函数是

medianBlur(m1, m3, 5);

前两个参数是输入输出的图像，第三个参数是滤波器的大小，由于是选取的是中值，滤波器的大小通常是一个奇数。

下图是对有噪声图像使用滤波器后的结果，中间的是原始图像，左边的是使用均值滤波器过滤高斯噪声后的结果；右边的是使用中值滤波器过滤椒盐噪声后的结果。可以明显的看出，这两种滤波器都能够很好的去掉图像的噪声，但会对图像造成一定的模糊，尤其是均值滤波器造成的模糊比较明显。

总结

本文算是第一篇文章，简单的介绍下OpenCV的基本使用；接着访问图像中的像素，并借助于C++11的随机数库，为图像添加高斯噪声和椒盐噪声；最后使用中值滤波器和均值滤波器除去图像，并对结果进行了对比。

以后坚持每日对图像处理的一些知识进行整理。