做网站泉州,外汇返佣网站建设,网站加支付功能,上海 网站建设业务营销方法当拥有一个相机#xff0c;并且写了一个降噪的算法#xff0c;想要测试降噪的应用效果。
相机在光线不足的情况下产生噪点的原因主要与以下几个因素有关#xff1a;
感光元件的工作原理#xff1a;相机的图像传感器是由数百万甚至数千万的感光元件#xff08;如CMOS或CC…当拥有一个相机并且写了一个降噪的算法想要测试降噪的应用效果。
相机在光线不足的情况下产生噪点的原因主要与以下几个因素有关
感光元件的工作原理相机的图像传感器是由数百万甚至数千万的感光元件如CMOS或CCD中的像素组成的。每一个感光元件都试图捕获进入相机的光。但是光子的到达是随机的当光线很弱时这种随机性更为明显导致不同感光元件记录的光子数存在较大的差异从而引发噪点。 ISO的增加为了在光线不足的环境中获得更亮的图像相机会增加其ISO值这实际上是增加了图像传感器的增益。但增加增益的同时传感器的噪声也会增加导致图像中出现更多的噪点。 热噪声当相机工作时传感器会产生热量。特别是在长时间曝光或高ISO值的情况下这种热量会增加。传感器的温度越高产生的热噪声就越明显这也会在图像中引入噪点。 电路噪声除了热噪声外相机内部的电路如模拟数字转换器也会引入一定的噪声特别是在低光照条件下。 信号与噪声比SNR在光线充足的环境中感光元件接收到的光子数信号相对于噪声来说是较大的因此SNR较高图像质量较好。但在光线不足的环境中感光元件接收到的光子数减少而噪声并不显著减少导致SNR降低噪点变得更为明显。
无所谓因素反正有噪声了。
测试设计 目测法光线充足时肉眼很难发现噪声而光线比较暗是噪声明显得出相机光线差时工作效果不理想的结论。
量化噪声 使用相机拍摄一块纯色色卡观察噪声情况。
期望 相机拍出的画面数值保持一致表明没有噪声。纯黑看不见除外 相机拍出的画面数值与画面均值比较有一些波动表明有噪声存在。
量化波动情况即量化噪声情况。
色卡 由于色卡不是纯色所以需要通过一些操作找到纯色部分进行裁剪再进行评估噪声。 代码使用ipynb 来测试。 裁剪代码
# 导入一些不知道干什么的依赖库import cv2
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeansimport cv2
import numpy as np
import matplotlib.pyplot as plt# 输入图像路径
path1 input(Enter path to the first image: )
path2 input(Enter path to the second image: )# 打开图片
image1 cv2.imread(path1)
image2 cv2.imread(path2)image1_gray cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)
image2_gray cv2.cvtColor(image2, cv2.COLOR_BGR2GRAY)# 使用 matplotlib 展示结果
fig, ax plt.subplots(1, 2, figsize(12, 6))
ax[0].imshow(cv2.cvtColor(image1_gray, cv2.COLOR_BGR2RGB))
ax[0].set_title(image1 gray)
ax[0].axis(off)
ax[1].imshow(cv2.cvtColor(image2_gray, cv2.COLOR_BGR2RGB))
ax[1].set_title(image2 gray)
ax[1].axis(off)
plt.show()边缘检测找到最大的色块边界边缘不连贯就加点滤波
# 使用 Canny 边缘检测
blurred cv2.GaussianBlur(image1_gray, (5, 5), 0)
image1_edged cv2.Canny(blurred, 100, 200)
image2_edged cv2.Canny(image2_gray, 100, 200)# 使用 matplotlib 展示结果
fig, ax plt.subplots(1, 2, figsize(12, 6))
ax[0].imshow(cv2.cvtColor(image1_edged, cv2.COLOR_BGR2RGB))
ax[0].set_title(image1 edged)
ax[0].axis(off)
ax[1].imshow(cv2.cvtColor(image2_edged, cv2.COLOR_BGR2RGB))
ax[1].set_title(image2 edged)
ax[1].axis(off)
plt.show()边缘检测后 截取最大的纯色范围
# 寻找边缘检测后的图像中的轮廓
def find_contours(image, edged):# 寻找边缘检测后的图像中的轮廓contours, _ cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 假设色板是最大的轮廓max_contour max(contours, keycv2.contourArea)x, y, w, h cv2.boundingRect(max_contour)# 提取色板palette image[y10:yh-10, x10:xw-10]return palette# 对两张图像分别提取色板
palette_image1 find_contours(image1_gray, image1_edged)
palette_image2 find_contours(image2_gray, image2_edged)
# 使用 matplotlib 展示结果
fig, ax plt.subplots(1, 2, figsize(12, 6))
ax[0].imshow(cv2.cvtColor(palette_image1, cv2.COLOR_BGR2RGB))
ax[0].set_title(Palette from Image 1)
ax[0].axis(off)
ax[1].imshow(cv2.cvtColor(palette_image2, cv2.COLOR_BGR2RGB))
ax[1].set_title(Palette from Image 2)
ax[1].axis(off)
plt.show()到这里就截取出来可以评估的部分了 干正事吧
评估噪声
mean1 np.mean(palette_image1)
mean2 np.mean(palette_image2)median1 np.median(palette_image1)
median2 np.median(palette_image2)std1 np.std(palette_image1, ddof1)
std2 np.std(palette_image2, ddof1)print(fimage src 评估的噪声水平: {std1})
print(fimage ret 评估的噪声水平: {std2})fig, ax plt.subplots(1, 2, figsize(12, 6))
ax[0].imshow(palette_image1-mean1)
ax[1].imshow(palette_image2-mean2)
plt.show()
