佛山网站搜索优化,可以免费做中考题的网站,seo数据优化教程,网络营销平台有哪些特点标题估计噪声参数估计噪声参数
周期噪声的参数通常是通过检测图像的傅里叶谱来估计的。
只能使用由传感器生成的图像时#xff0c;可由一小片恒定的背景灰度来估计PDF的参数。
来自图像条带的数据的最简单用途是#xff0c;计算灰度级的均值和方差。考虑由SSS表示的一个条…
标题估计噪声参数估计噪声参数
周期噪声的参数通常是通过检测图像的傅里叶谱来估计的。
只能使用由传感器生成的图像时可由一小片恒定的背景灰度来估计PDF的参数。
来自图像条带的数据的最简单用途是计算灰度级的均值和方差。考虑由SSS表示的一个条带子图像并令PS(zi)P_{S}(z_i)PS(zi)i0,1,2,…,L−1i 0, 1, 2, \dots, L-1i0,1,2,…,L−1表示SSS中的像素灰度的概率估计归一化直方图值其中LLL是整数个图像中的可能灰度对8比特而言LLL为256。则均值和方差估计如下 zˉ∑i0L−1ziPS(zi)(5.19)\bar{z} \sum_{i0}^{L-1}z_{i}P_{S}(z_{i}) \tag{5.19}zˉi0∑L−1ziPS(zi)(5.19) σ2∑i0L−1(zi−zˉ)2PS(zi)(5.20)\sigma^2 \sum_{i0}^{L-1}(z_{i} -\bar{z})^2 P_{S}(z_{i}) \tag{5.20}σ2i0∑L−1(zi−zˉ)2PS(zi)(5.20)
直方图的形状确认最接近的PDF匹配。若形状大致为高斯分布的则均值和方差就是我们所需要的因为高斯PDF完全由这两个参数规定。对于其它PDF我们可以使用均值和方差来求解参数aaa和bbb。
对于冲激噪声的处理是不同的因为需要的估计是黑、白像素出现的实际概率。要获得这个估计就需要看到黑色像素和白色像素因此要算出噪声的有意义的直方图图像中就需要有一个相对恒定的中灰度区域。对应于黑色像素和白色像素的峰值高度是式(5.16)中PpP_pPp和PsP_sPs的估计。
# 一些重要的噪声对应灰度的直方图
img_ori cv2.imread(DIP_Figures/DIP3E_Original_Images_CH05/Fig0503 (original_pattern).tif, 0)
# 竖图[40:210, 35:60]横图[40:60, 35:220]
img_gauss add_gaussian_noise(img_ori, mu0, sigma0.05)[40:60, 35:220]
img_rayleigh add_rayleigh_noise(img_ori, a1)[40:60, 35:220]
img_gamma add_gamma_noise(img_ori, scale2)[40:60, 35:220]
img_exponent add_exponent_noise(img_ori, scale3)[40:60, 35:220]
img_average add_average_noise(img_ori, mean10, sigma1.5)[40:60, 35:220]ps 0.05
pp 0.02
img_salt_pepper add_salt_pepper(img_ori, psps, pppp)[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:# 显示图像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])# 对应图像的直方图ax fig.add_subplot(4, 3, i 1 6)hist, bins np.histogram(eval(show_list[i]).flatten(), bins255, range[0, 255], densityTrue)bar ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]),else:# 显示图像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])# 对应图像的直方图ax fig.add_subplot(4, 3, i 1 3)hist, bins np.histogram(eval(show_list[i]).flatten(), bins255, range[0, 255], densityTrue)bar ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]),plt.tight_layout()
plt.show()# 椒盐噪声的参数估计
hist, bins np.histogram(img_salt_pepper.flatten(), bins255, range[0, 255], densityTrue)
print(fOriginal pp - {pp:.3f}, ps - {ps:.3f})
print(fEstimate PP - {hist[0]:.3f}, PS - {hist[-1]:.3f})Original pp - 0.020, ps - 0.050
Estimate PP - 0.018, PS - 0.050# 内嵌图像
fig, main_ax plt.subplots()
hist, bins np.histogram(img_gauss.flatten(), bins255, range[0, 255], densityTrue)
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()
