摘要：簡稱庫是從擴(kuò)展下來的，提供了更豐富的圖像處理函數(shù)，去噪函數(shù)除了還有算法，比如邊緣檢測還有以前簡單提過的算子濾波器。下面我用看具體的例子，將和高斯平滑進(jìn)行對比效果對比如下明顯感覺使用的效果要比高斯平滑好很多。

圖像去噪(Image Denoising)的過程就是將噪點(diǎn)從圖像中去除的同時(shí)盡可能的保留原圖像的細(xì)節(jié)和結(jié)構(gòu)。這里講的去噪跟前面筆記提過的去噪不一樣，這里是指高級去噪技術(shù)，前面提過的高斯平滑也能去噪，但高斯平滑去噪的同時(shí)也把邊緣模糊化了，另外使用形態(tài)學(xué)的方法去噪是指去除一些粗的椒鹽噪聲。對于一幅密布噪點(diǎn)的圖像，如果使其變得清晰又保留邊緣細(xì)節(jié)，這是高級去噪技術(shù)所要解決的問題。

全變差去噪（Total variation denoising）是一種常用的去噪模型。全變差（或叫總變差）大概是指圖像梯度的范數(shù)(norm）的積分。
一幅圖像的細(xì)節(jié)（噪聲或是干擾的不必要的）過多，全變差的值越高，所以讓全變差最小化，去掉噪聲和沒用細(xì)節(jié)的同時(shí)，保留邊緣等主要細(xì)節(jié)，正是這種模型的處理思想。用這種去噪技術(shù)產(chǎn)生的圖像有點(diǎn)接近卡通的感覺。
下面要介紹的Chambolle去噪算法就是基于全變差去噪模型實(shí)現(xiàn)的。

scipy.ndimage模塊只是提供了基本的圖像處理方法，并沒有提供Chambolle去噪函數(shù)，所以就要借助另一個(gè)庫——scikit-image。

scikit-image
scikit-image（簡稱skimage）庫是從scipy.ndimage擴(kuò)展下來的，提供了更豐富的圖像處理函數(shù)，去噪函數(shù)除了Chambolle還有Bilateral算法，比如邊緣檢測還有以前簡單提過的Canny算子濾波器。
它也是由 SciPy 社區(qū)所開發(fā)的，可以跟NumPy等完美配合。

安裝：

sudo apt-get install python-skimage

函數(shù)說明：

skimage.restoration.denoise_tv_chambolle(im, weight=50, eps=0.0002, n_iter_max=200, multichannel=False)
im: ndarray類型，2維或3維
weight：越大去噪越多，但圖像也會越失真
multichannel：對彩色圖像而言，true表示對每一通道去噪

返回去噪后的圖像，ndarray類型。

下面我用看具體的例子，將chambolle和高斯平滑進(jìn)行對比：

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
from scipy.ndimage import filters
from skimage.filter import denoise_tv_chambolle  #for versoin: 0.9.3
#from skimage.restoration import denoise_tv_chambolle  #for new version

im = np.array(Image.open("noising.jpg").convert("L"))

index = 221
plt.subplot(index)
plt.gray()
plt.imshow(im)
plt.axis("off")
plt.title("original")

chdnim = denoise_tv_chambolle(im, weight=0.2)
plt.subplot(index+1)
plt.imshow(chdnim)
plt.axis("off")
plt.title("chambolle weight=0.2")

gs2dnim = filters.gaussian_filter(im, sigma=2)
plt.subplot(index+2)
plt.imshow(gs2dnim)
plt.axis("off")
plt.title("gaussion sigma=2")

gs3dnim = filters.gaussian_filter(im, sigma=3)

plt.subplot(index+3)
plt.imshow(gs3dnim)
plt.axis("off")
plt.title("gaussion sigmal=3")

plt.show()

效果對比如下：

明顯感覺使用chambolle的效果要比高斯平滑好很多。

Bilateral濾波器
Bilateral濾波器跟之前介紹過的高斯模糊運(yùn)算過程相似，而且它也使用了高斯核，但它的特點(diǎn)是在對圖像進(jìn)行平滑的同時(shí)能保留邊緣。因?yàn)樗谄交瑸V波時(shí)同時(shí)考慮了像素間的幾何距離和色彩距離。具體點(diǎn)說，如果要處理的像素與鄰近像素的歐式距離比較大（即像素值相差比較大）時(shí)，那么這些鄰近像素的權(quán)重就比較小，從而使得對濾波后的新像素值影響較小。另外，每個(gè)濾波后像素點(diǎn)的值，受與他色彩相近并且距離較近的像素點(diǎn)的影響較大，這兩種權(quán)值分配方法起到了保護(hù)邊緣的作用。

Bilateral去噪函數(shù)：

skimage.restoration.denoise_bilateral(image, win_size=5, sigma_range=None, sigma_spatial=1, bins=10000, mode="constant", cval=0)

示例：

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
from scipy.ndimage import filters
from skimage.filter import denoise_bilateral  #for versoin: 0.9.3
#from skimage.restoration import denoise_bilateral  #for new version

im = np.array(Image.open("noising.jpg").convert("L"))

index = 221
plt.subplot(index)
plt.gray()
plt.imshow(im)
plt.axis("off")
plt.title("original")

plt.subplot(index+1)
plt.imshow(denoise_bilateral(im))
plt.axis("off")
plt.title("default")

plt.subplot(index+2)
plt.imshow(denoise_bilateral(im, sigma_range=0.2, sigma_spatial=10))
plt.axis("off")
plt.title("0.2/10")

plt.subplot(index+3)
plt.imshow(denoise_bilateral(im, sigma_range=0.8, sigma_spatial=10))
plt.axis("off")
plt.title("0.8/10")

plt.show()

效果如圖：

感覺比高斯平滑要好一些，但比Chambolle還是要遜色不少。

因全變差的數(shù)學(xué)原理比較高深，所以暫時(shí)沒去研究，只大概了解下并使用skimage庫的接口進(jìn)行了一番對比，結(jié)論就是使用chambolle去噪效果非常好。

至此，書中第一章的內(nèi)容結(jié)束了。后面將開始下一章節(jié)的內(nèi)容學(xué)習(xí)——圖像描述。

你還可以查看我的其它筆記。

scikit-image.org
scikit denoising example
Bilateral Filtering