从去除噪点的说起，有OpenCV要什么PS？

写在最前

想必生活在2020的我们一定不得不对PS有所了解或者接触，虽然现在借助人工智能技术，ps已经变成了一代“神级”妖术，但是忆往昔，早期的PS其实也不过是一堆计算机视觉里的算法罢了。其实我们就可以使用计算机视觉里的技术来做一次人肉PS，提到计算机视觉逃不过的坎肯定是OpenCV，而又绕不过的坎肯定是深度学习，所以我们干脆点直接opencv-python来进行我们的旅程。只不过这次我不想剑指（剑指系列，之前写的一系列一般会由浅入深，最终目标是深挖）了，所以我们这次漫谈计算机视觉，从最基本的OpenCV慢慢讲起，一直讲到这几年比较好的深度学习各个领域。

正文开头

OpenCV一个出色的开源框架，其中Open指的就是OpenSource，开源。而CV则是计算机视觉（Computer Vision）。依靠OpenCV背后开源社区背书，其不仅在过去实现了绝大多数计算机视觉所需要的基础算法，同时也能跟随时代发展不断更新新的神经网络。

我们在之前曾经编写过OpenCV实现人脸识别，为了更好地进行之后技术的发展。我们自然需要对OpenCV进一步学习。今天就是从最基本的内容——去除噪点开始，同时学习OpenCV的基本操作。

计算机女神——蕾娜

lena图是计算机视觉非常经典的图像，她的优势在于图像颜色丰富，明暗明显，而且轮廓，边角等都有丰富存在对演示多种算法都有不错的效果（当然也很漂亮，所以更容易广泛传播）。我们这次包括之后都会有很多地方能够用到她。顺便一提，上面这幅图片来自OpenCV的官方，你可以在opencv的github项目中找到她。

图片的读取，展示与存储

opencv的安装非常简单，我们主要在python中使用它，因此使用“pip install opencv-python”进行安装即可。然后我们在python中引用OpenCV类库，并使用即可。

读取和保存的具体代码如下：

import cv2 as cv

# 读取图片
src=cv.imread('/lena.jpg')

# 存储图片
cv.imwrite('images/lena_write.jpg',src)

可以看到代码非常简单，那么如何进行如想处理呢？其实也非常简单，只需要对src进行操作即可，具体的操作粗略的来说有两大类：第一类，使用opencv的方法进行处理，包括类型转换，滤波，反转等等图像操作，在这一类操作中，图像依旧是opencv的存储格式。而第二大类，则是从比较数学的角度考虑，存储的图像本质不过是一个多维矩阵（或者多维数组），那么我们自然也可以使用python中的其他矩阵处理的类库对其进行处理，甚至编写自己的图像处理算法等等。

我们刚刚说到的展示图片，本质也是一种矩阵操作——以合适的像素展示于屏幕。我们也可以有多种方法解决该问题，下面就是有关代码：

# 展示图片
cv.namedWindow('input_image', cv.WINDOW_AUTOSIZE)
cv.imshow('input_image', src)
cv.waitKey(0)

# 删除建立的全部窗口，释放资源
cv.destroyAllWindows()

上面的代码非常简单，甚至在这里第一行还可以没有，也没有太大影响。至于代码的具体解释如下：第一行代码的参数namedWindow，是创建一个窗口，第一个参数是窗口名字，第二个是尺寸。inshow适用于展示图片的函数，第一个参数是输入的窗口的标题，第二个是存储的图像。第三行是等待输入以确定之后的操作，不设置的话，之前创建的窗口会直接退出。我们也可以通过设置具体的输入键，使窗口在接收输入之后自动执行后续的代码。最后一行是删除所有窗口来释放计算资源，主要是为了保障资源的释放，这样更安全合理一些。

图片加噪

许多时候图片会出现噪点，目前随着各种技术的提升，噪点已经比较少见了，但是我们仍然会很多更专业的领域遇到这类问题。opencv就自带了很多滤波方法可以用于去噪，同时也带有多种去噪。我们首先使用随机函数为图片添加随机的噪点，也就是白点，然后使用非局部平均算法进行去噪。由于opencv的原图大小为400×400，所以我们需要生成的随机噪点范围为(0,399)。

filePath = 'images/lena.jpg'
img = cv.imread(filePath)

for i in range(1000): #生成1000个噪点
    a = random.randint(0,399)
    b = random.randint(0,399)
    img[a,b] = 255

cv.imshow("noise",img)		# 显示噪点图

图像去噪

不同的去噪方法对应着不同的噪点，我们这里首先使用非局部平均算法进行图像去噪，这是一种比较通用的去噪方法。缺点在于由于采用图像的冗余数据进行去噪，对于边缘部分的处理效果往往比较不太好。

dst = cv.fastNlMeansDenoisingColored(img, None, 12, 12, 7, 21)

# 保存图片
cv.imwrite("/home/fonttian/Documents/MyBlog/OpenCV/images/lena_noise_1000_do.jpg",dst)

由上面可以看出该方法并不太适用于边缘噪点，同时由于进行了局部平均，因此也会丧失一些局部细节。那么这个时候我们就需要使用一些更直接的滤波方法进行去噪。常见的滤波器有很多种，滤波器本身就是一个小的矩阵，也本质等同与现在深度学习常用的卷积核。只不过我们这里是直接使用特定的军阵运算对图像进行处理。与局部平均算法类似的是均值滤波，但是如果只是简单的将几个相邻的数值进行均值计算的话，由于我们这里的添加是白噪点（最大像素255），那么就会不可避免的导致周围平均后全部变白。因此我们需要使用的是其他参数。这里我们选择了中值滤波进行滤波。两种滤波器的参数都是指参数范围。具体代码和效果如下：

# 均值模糊  去随机噪声有很好的去噪效果
#（1, 15）是垂直方向模糊，（15， 1）是水平方向模糊，我们这里是随机单个白噪点，选择（3,3）进行演示
dst = cv.blur(img, (3, 3))

中值滤波则比较合适，具体代码和效果如下

dst = cv.medianBlur(img, 3)

可以看到中值滤波在这里的去噪效果和细节保留都非常好。而如果假如我们面对更多的噪声类型，则也需要具体情况具体分析，选择合理的处理方法。这个我们将在之后的内容中一一教给大家。

专栏地址

CSDN

漫谈计算机视觉

github

fongtian的github项目–漫谈计算机视觉

公众号
本文章首发于我司的公众号“小白白AI学习”，这是我们高寻真源（山东）教育科技有限公司创办的公众号，主要目标是为了促进大数据与人工智能在山东高校的发展和落地。欢迎大家关注我们的公众号，一起交流学习，共同进步。