av一区二区在线观看_亚洲男人的天堂网站_日韩亚洲视频_在线成人免费_欧美日韩精品免费观看视频_久草视

您的位置:首頁技術文章
文章詳情頁

python數字圖像處理之估計噪聲參數

瀏覽:6日期:2022-06-23 11:29:02
估計噪聲參數

周期噪聲的參數通常是通過檢測圖像的傅里葉譜來估計的。

只能使用由傳感器生成的圖像時,可由一小片恒定的背景灰度來估計PDF的參數。

來自圖像條帶的數據的最簡單用途是,計算灰度級的均值和方差??紤]由 S SS表示的一個條帶(子圖像),并令 P S (z i ) P_{S}(z_i)PS​(zi​), i = 0 , 1 , 2 , … , L − 1 i = 0, 1, 2, dots, L-1i=0,1,2,…,L−1表示 S SS中的像素灰度的概率估計(歸一化直方圖值),其中 L LL是整數個圖像中的可能灰度(對8比特而言, L LL為256)。則均值和方差估計如下:

python數字圖像處理之估計噪聲參數

直方圖的形狀確認最接近的PDF匹配。若形狀大致為高斯分布的,則均值和方差就是我們所需要的,因為高斯PDF完全由這兩個參數規定。對于其它PDF,我們可以使用均值和方差來求解參數 a和 b。

對于沖激噪聲的處理是不同的,因為需要的估計是黑、白像素出現的實際概率。要獲得這個估計,就需要看到黑色像素和白色像素,因此要算出噪聲的有意義的直方圖,圖像中就需要有一個相對恒定的中灰度區域。對應于黑色像素和白色像素的峰值高度是式(5.16)中 P p和Ps​的估計。

# 一些重要的噪聲對應灰度的直方圖img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH05/Fig0503 (original_pattern).tif', 0)# 豎圖[40:210, 35:60],橫圖[40:60, 35:220]img_gauss = add_gaussian_noise(img_ori, mu=0, sigma=0.05)[40:60, 35:220]img_rayleigh = add_rayleigh_noise(img_ori, a=1)[40:60, 35:220]img_gamma = add_gamma_noise(img_ori, scale=2)[40:60, 35:220]img_exponent = add_exponent_noise(img_ori, scale=3)[40:60, 35:220]img_average = add_average_noise(img_ori, mean=10, sigma=1.5)[40:60, 35:220]ps = 0.05pp = 0.02img_salt_pepper = add_salt_pepper(img_ori, ps=ps, pp=pp)[40:60, 35:220]show_list = [’img_gauss’, ’img_rayleigh’, ’img_gamma’, ’img_exponent’, ’img_average’, ’img_salt_pepper’]fig = plt.figure(figsize=(15, 15))for i in range(len(show_list)): if i >= 3: # 顯示圖像 ax = fig.add_subplot(4, 3, i + 3 + 1) ax.imshow(eval(show_list[i]), ’gray’), ax.set_xticks([]), ax.set_yticks([]), ax.set_title(show_list[i].split(’_’)[-1]) # 對應圖像的直方圖 ax = fig.add_subplot(4, 3, i + 1 + 6) hist, bins = np.histogram(eval(show_list[i]).flatten(), bins=255, range=[0, 255], density=True) bar = ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]), else: # 顯示圖像 ax = fig.add_subplot(4, 3, i + 1) ax.imshow(eval(show_list[i]), ’gray’), ax.set_xticks([]), ax.set_yticks([]), ax.set_title(show_list[i].split(’_’)[-1]) # 對應圖像的直方圖 ax = fig.add_subplot(4, 3, i + 1 + 3) hist, bins = np.histogram(eval(show_list[i]).flatten(), bins=255, range=[0, 255], density=True) bar = ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]), plt.tight_layout()plt.show()

python數字圖像處理之估計噪聲參數

# 椒鹽噪聲的參數估計hist, bins = np.histogram(img_salt_pepper.flatten(), bins=255, range=[0, 255], density=True)print(f'Original pp -> {pp:.3f}, ps -> {ps:.3f}')print(f’Estimate PP -> {hist[0]:.3f}, PS -> {hist[-1]:.3f}’)

Original pp -> 0.020, ps -> 0.050Estimate PP -> 0.018, PS -> 0.050

# 內嵌圖像fig, main_ax = plt.subplots()hist, bins = np.histogram(img_gauss.flatten(), bins=255, range=[0, 255], density=True)bar = main_ax.bar(bins[:-1], hist[:]), main_ax.set_xticks([]), main_ax.set_yticks([])inset_ax = fig.add_axes([0.1, 0.3, 0.2, 0.5])inset_ax.imshow(img_gauss.reshape(185, 20), ’gray’), inset_ax.set_xticks([]), inset_ax.set_yticks([])plt.show()

python數字圖像處理之估計噪聲參數

以上就是python數字圖像處理之估計噪聲參數的詳細內容,更多關于python圖像處理估計噪聲的資料請關注好吧啦網其它相關文章!

標簽: Python 編程
相關文章:
主站蜘蛛池模板: 天天综合干| 久久免费大片 | 欧洲视频一区二区 | 日一区二区三区 | www.亚洲一区| 午夜久久久 | 久久久影院| 日韩在线不卡视频 | 成人av网页| 成人精品视频在线 | 成人蜜桃av| 91视频免费 | 欧美激情综合五月色丁香小说 | 日韩精品一区二区三区久久 | 精品中文字幕一区 | 日韩中文字幕在线观看 | 少妇一级淫片aaaaaaaaa | 国产激情视频 | 亚av在线 | 国产成人亚洲精品 | 亚洲国产一区二区三区四区 | 中文字幕第二区 | 97日日碰人人模人人澡分享吧 | 国产在线精品一区二区三区 | 韩国成人在线视频 | 国产yw851.c免费观看网站 | 黄色免费av | 2019精品手机国产品在线 | 欧美9999| 爱爱小视频| 久久国产欧美日韩精品 | 国内精品视频一区二区三区 | 亚洲喷水 | 天天操夜夜操 | 日韩三| 盗摄精品av一区二区三区 | 亚洲欧美日本在线 | 一级做a | 久久爆操 | 日韩视频在线一区 | 男人的天堂久久 |