寫在最前

想必生活在2020的我們一定不得不對PS有所了解或者接觸，雖然現(xiàn)在借助人工智能技術(shù)，ps已經(jīng)變成了一代“神級”妖術(shù)，但是憶往昔，早期的PS其實也不過是一堆計算機視覺里的算法罷了。其實我們就可以使用計算機視覺里的技術(shù)來做一次人肉PS，提到計算機視覺逃不過的坎肯定是OpenCV，而又繞不過的坎肯定是深度學(xué)習(xí)，所以我們干脆點直接opencv-python來進(jìn)行我們的旅程。只不過這次我不想劍指（劍指系列，之前寫的一系列一般會由淺入深，最終目標(biāo)是深挖）了，所以我們這次漫談計算機視覺，從最基本的OpenCV慢慢講起，一直講到這幾年比較好的深度學(xué)習(xí)各個領(lǐng)域。

正文開頭

OpenCV一個出色的開源框架，其中Open指的就是OpenSource，開源。而CV則是計算機視覺（Computer Vision）。依靠OpenCV背后開源社區(qū)背書，其不僅在過去實現(xiàn)了絕大多數(shù)計算機視覺所需要的基礎(chǔ)算法，同時也能跟隨時代發(fā)展不斷更新新的神經(jīng)網(wǎng)絡(luò)。

我們在之前曾經(jīng)編寫過OpenCV實現(xiàn)人臉識別，為了更好地進(jìn)行之后技術(shù)的發(fā)展。我們自然需要對OpenCV進(jìn)一步學(xué)習(xí)。今天就是從最基本的內(nèi)容——去除噪點開始，同時學(xué)習(xí)OpenCV的基本操作。

計算機女神——蕾娜

lena圖是計算機視覺非常經(jīng)典的圖像，她的優(yōu)勢在于圖像顏色豐富，明暗明顯，而且輪廓，邊角等都有豐富存在對演示多種算法都有不錯的效果（當(dāng)然也很漂亮，所以更容易廣泛傳播）。我們這次包括之后都會有很多地方能夠用到她。順便一提，上面這幅圖片來自O(shè)penCV的官方，你可以在opencv的github項目中找到她。

圖片的讀取，展示與存儲

opencv的安裝非常簡單，我們主要在python中使用它，因此使用“pip install opencv-python”進(jìn)行安裝即可。然后我們在python中引用OpenCV類庫，并使用即可。

讀取和保存的具體代碼如下：

import cv2 as cv# 讀取圖片 src=cv.imread('/lena.jpg')# 存儲圖片 cv.imwrite('images/lena_write.jpg',src)

可以看到代碼非常簡單，那么如何進(jìn)行如想處理呢？其實也非常簡單，只需要對src進(jìn)行操作即可，具體的操作粗略的來說有兩大類：第一類，使用opencv的方法進(jìn)行處理，包括類型轉(zhuǎn)換，濾波，反轉(zhuǎn)等等圖像操作，在這一類操作中，圖像依舊是opencv的存儲格式。而第二大類，則是從比較數(shù)學(xué)的角度考慮，存儲的圖像本質(zhì)不過是一個多維矩陣（或者多維數(shù)組），那么我們自然也可以使用python中的其他矩陣處理的類庫對其進(jìn)行處理，甚至編寫自己的圖像處理算法等等。

我們剛剛說到的展示圖片，本質(zhì)也是一種矩陣操作——以合適的像素展示于屏幕。我們也可以有多種方法解決該問題，下面就是有關(guān)代碼：

# 展示圖片 cv.namedWindow('input_image', cv.WINDOW_AUTOSIZE) cv.imshow('input_image', src) cv.waitKey(0)# 刪除建立的全部窗口，釋放資源 cv.destroyAllWindows()

上面的代碼非常簡單，甚至在這里第一行還可以沒有，也沒有太大影響。至于代碼的具體解釋如下：第一行代碼的參數(shù)namedWindow，是創(chuàng)建一個窗口，第一個參數(shù)是窗口名字，第二個是尺寸。inshow適用于展示圖片的函數(shù)，第一個參數(shù)是輸入的窗口的標(biāo)題，第二個是存儲的圖像。第三行是等待輸入以確定之后的操作，不設(shè)置的話，之前創(chuàng)建的窗口會直接退出。我們也可以通過設(shè)置具體的輸入鍵，使窗口在接收輸入之后自動執(zhí)行后續(xù)的代碼。最后一行是刪除所有窗口來釋放計算資源，主要是為了保障資源的釋放，這樣更安全合理一些。

圖片加噪

許多時候圖片會出現(xiàn)噪點，目前隨著各種技術(shù)的提升，噪點已經(jīng)比較少見了，但是我們?nèi)匀粫芏喔鼘I(yè)的領(lǐng)域遇到這類問題。opencv就自帶了很多濾波方法可以用于去噪，同時也帶有多種去噪。我們首先使用隨機函數(shù)為圖片添加隨機的噪點，也就是白點，然后使用非局部平均算法進(jìn)行去噪。由于opencv的原圖大小為400×400，所以我們需要生成的隨機噪點范圍為(0,399)。

filePath = 'images/lena.jpg' img = cv.imread(filePath)for i in range(1000): #生成1000個噪點a = random.randint(0,399)b = random.randint(0,399)img[a,b] = 255cv.imshow("noise",img) # 顯示噪點圖

圖像去噪

不同的去噪方法對應(yīng)著不同的噪點，我們這里首先使用非局部平均算法進(jìn)行圖像去噪，這是一種比較通用的去噪方法。缺點在于由于采用圖像的冗余數(shù)據(jù)進(jìn)行去噪，對于邊緣部分的處理效果往往比較不太好。

dst = cv.fastNlMeansDenoisingColored(img, None, 12, 12, 7, 21)# 保存圖片 cv.imwrite("/home/fonttian/Documents/MyBlog/OpenCV/images/lena_noise_1000_do.jpg",dst)

由上面可以看出該方法并不太適用于邊緣噪點，同時由于進(jìn)行了局部平均，因此也會喪失一些局部細(xì)節(jié)。那么這個時候我們就需要使用一些更直接的濾波方法進(jìn)行去噪。常見的濾波器有很多種，濾波器本身就是一個小的矩陣，也本質(zhì)等同與現(xiàn)在深度學(xué)習(xí)常用的卷積核。只不過我們這里是直接使用特定的軍陣運算對圖像進(jìn)行處理。與局部平均算法類似的是均值濾波，但是如果只是簡單的將幾個相鄰的數(shù)值進(jìn)行均值計算的話，由于我們這里的添加是白噪點（最大像素255），那么就會不可避免的導(dǎo)致周圍平均后全部變白。因此我們需要使用的是其他參數(shù)。這里我們選擇了中值濾波進(jìn)行濾波。兩種濾波器的參數(shù)都是指參數(shù)范圍。具體代碼和效果如下：

# 均值模糊 去隨機噪聲有很好的去噪效果 #（1, 15）是垂直方向模糊，（15， 1）是水平方向模糊，我們這里是隨機單個白噪點，選擇（3,3）進(jìn)行演示 dst = cv.blur(img, (3, 3))

中值濾波則比較合適，具體代碼和效果如下

dst = cv.medianBlur(img, 3)

可以看到中值濾波在這里的去噪效果和細(xì)節(jié)保留都非常好。而如果假如我們面對更多的噪聲類型，則也需要具體情況具體分析，選擇合理的處理方法。這個我們將在之后的內(nèi)容中一一教給大家。

專欄地址

CSDN

漫談計算機視覺

github

fongtian的github項目–漫談計算機視覺

公眾號
本文章首發(fā)于我司的公眾號“小白白AI學(xué)習(xí)”，這是我們高尋真源（山東）教育科技有限公司創(chuàng)辦的公眾號，主要目標(biāo)是為了促進(jìn)大數(shù)據(jù)與人工智能在山東高校的發(fā)展和落地。歡迎大家關(guān)注我們的公眾號，一起交流學(xué)習(xí)，共同進(jìn)步。

總結(jié)

以上是生活随笔為你收集整理的从去除噪点的说起，有OpenCV要什么PS？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。