非局部均值去噪以保留紋理

在此範例中，我們使用非局部均值濾鏡對太空人影像的細節進行去噪。非局部均值演算法將像素的值替換為所選其他像素值的平均值：以其他像素為中心的小塊與以感興趣的像素為中心的塊進行比較，並且僅對具有與當前塊接近的塊的像素執行平均。因此，此演算法可以很好地還原紋理，否則紋理會被其他去噪演算法模糊。

當 fast_mode 引數為 False 時，在計算塊距離時，會將空間高斯加權應用於這些塊。當 fast_mode 為 True 時，會應用更快的演算法，該演算法對這些塊採用均勻的空間加權。

對於這兩種情況，如果提供雜訊標準差 sigma，則在計算塊距離時會減去預期的雜訊變異數。這可以適度提高影像品質。

estimate_sigma 函數可以為設定非局部均值演算法的 h (以及可選的 sigma) 參數提供一個良好的起點。h 是一個常數，用於控制塊權重隨著塊之間距離的衰減。較大的 h 允許在不同的塊之間進行更多平滑處理。

在此示範中，h 經過人工調整，以提供每個變體的最佳效能。

estimated noise standard deviation = 0.07824735983398969
PSNR (noisy) = 22.21
PSNR (slow) = 29.30
PSNR (slow, using sigma) = 29.72
PSNR (fast) = 28.88
PSNR (fast, using sigma) = 29.26

import numpy as np
import matplotlib.pyplot as plt

from skimage import data, img_as_float
from skimage.restoration import denoise_nl_means, estimate_sigma
from skimage.metrics import peak_signal_noise_ratio
from skimage.util import random_noise


astro = img_as_float(data.astronaut())
astro = astro[30:180, 150:300]

sigma = 0.08
noisy = random_noise(astro, var=sigma**2)

# estimate the noise standard deviation from the noisy image
sigma_est = np.mean(estimate_sigma(noisy, channel_axis=-1))
print(f'estimated noise standard deviation = {sigma_est}')

patch_kw = dict(
    patch_size=5,  # 5x5 patches
    patch_distance=6,  # 13x13 search area
    channel_axis=-1,
)

# slow algorithm
denoise = denoise_nl_means(noisy, h=1.15 * sigma_est, fast_mode=False, **patch_kw)

# slow algorithm, sigma provided
denoise2 = denoise_nl_means(
    noisy, h=0.8 * sigma_est, sigma=sigma_est, fast_mode=False, **patch_kw
)

# fast algorithm
denoise_fast = denoise_nl_means(noisy, h=0.8 * sigma_est, fast_mode=True, **patch_kw)

# fast algorithm, sigma provided
denoise2_fast = denoise_nl_means(
    noisy, h=0.6 * sigma_est, sigma=sigma_est, fast_mode=True, **patch_kw
)

fig, ax = plt.subplots(nrows=2, ncols=3, figsize=(8, 6), sharex=True, sharey=True)

ax[0, 0].imshow(noisy)
ax[0, 0].axis('off')
ax[0, 0].set_title('noisy')
ax[0, 1].imshow(denoise)
ax[0, 1].axis('off')
ax[0, 1].set_title('non-local means\n(slow)')
ax[0, 2].imshow(denoise2)
ax[0, 2].axis('off')
ax[0, 2].set_title('non-local means\n(slow, using $\\sigma_{est}$)')
ax[1, 0].imshow(astro)
ax[1, 0].axis('off')
ax[1, 0].set_title('original\n(noise free)')
ax[1, 1].imshow(denoise_fast)
ax[1, 1].axis('off')
ax[1, 1].set_title('non-local means\n(fast)')
ax[1, 2].imshow(denoise2_fast)
ax[1, 2].axis('off')
ax[1, 2].set_title('non-local means\n(fast, using $\\sigma_{est}$)')

fig.tight_layout()

# print PSNR metric for each case
psnr_noisy = peak_signal_noise_ratio(astro, noisy)
psnr = peak_signal_noise_ratio(astro, denoise)
psnr2 = peak_signal_noise_ratio(astro, denoise2)
psnr_fast = peak_signal_noise_ratio(astro, denoise_fast)
psnr2_fast = peak_signal_noise_ratio(astro, denoise2_fast)

print(f'PSNR (noisy) = {psnr_noisy:0.2f}')
print(f'PSNR (slow) = {psnr:0.2f}')
print(f'PSNR (slow, using sigma) = {psnr2:0.2f}')
print(f'PSNR (fast) = {psnr_fast:0.2f}')
print(f'PSNR (fast, using sigma) = {psnr2_fast:0.2f}')

plt.show()