6.7泊松噪声

基础概念

在OpenCV联合C++中给一张图片添加泊松噪声（Poisson Noise）可以通过生成随机数并在图像的每个像素上加上这些随机数来实现。泊松噪声是一种统计分布服从泊松分布的噪声，通常用于模拟光子计数等场景。

使用泊松噪声的场景

泊松噪声通常用于模拟光子计数过程中的噪声，例如在低光条件下拍摄的照片中，由于光子计数的统计特性，会产生这种类型的噪声。因此，在进行图像增强、图像去噪等处理时，添加泊松噪声可以帮助评估算法在实际应用中的鲁棒性。

示例代码1

以下是一个使用OpenCV和C++给一张图片添加泊松噪声的示例代码：

#include <opencv2/opencv.hpp>
#include <iostream>
#include <random>// 添加泊松噪声的函数
void addPoissonNoise(cv::Mat &image, double scale = 1.0)
{// 创建随机数生成器std::random_device rd;std::default_random_engine gen(rd());std::poisson_distribution<int> dist(1.0); // 泊松分布// 获取图像的行数和列数int rows = image.rows;int cols = image.cols;// 遍历图像中的每一个像素for (int i = 0; i < rows; ++i){for (int j = 0; j < cols; ++j){// 生成一个泊松分布的随机数int noise = dist(gen);// 加上噪声//image.at<uchar>(i, j) = std::min(std::max(image.at<uchar>(i, j) + noise * scale, 0), 255);image.at<uchar>(i, j) = std::min(std::max((int)(image.at<uchar>(i, j) + noise * scale), 0), 255);}}
}int main()
{// 读取图像cv::Mat img = cv::imread("02.png", cv::IMREAD_GRAYSCALE);if (img.empty()){std::cerr << "Error loading image." << std::endl;return -1;}// 添加泊松噪声addPoissonNoise(img, 1.0); // scale 为 1.0// 显示原始图像cv::namedWindow("Original Image", cv::WINDOW_NORMAL);cv::imshow("Original Image", img);// 显示添加噪声后的图像cv::namedWindow("Noisy Image", cv::WINDOW_NORMAL);cv::imshow("Noisy Image", img);cv::waitKey(0);return 0;}代码解释
1. 读取图像：使用 cv::imread 函数读取原始图像，并将其转换为灰度图像。
2. 添加泊松噪声：定义一个 addPoissonNoise 函数，该函数接受一个图像矩阵 image 和一个缩放因子 scale。缩放因子 scale 控制噪声的强度。
3. 随机数生成器：使用 <random> 头文件中的 std::random_device 和 std::default_random_engine 生成随机数，std::poisson_distribution 生成符合泊松分布的随机数。
4. 遍历图像：遍历图像的每一个像素点，根据生成的泊松分布随机数给像素值加上噪声。
5. 限制像素值范围：确保像素值在0到255之间，避免超出8位灰度图像的范围。
6. 显示图像：使用 cv::imshow 函数显示原始图像和添加噪声后的图像。参数调整
•缩放因子 scale：控制噪声的强度，可以根据需要调整该参数。较大的 scale 值会导致更强的噪声。注意事项
•噪声强度：通过调整 scale 参数可以控制噪声的强度。
•数据类型：在加噪声时，需要注意像素值的数据类型。在上面的示例中，我们使用了 uchar 类型，因此需要确保像素值在0到255之间。
•性能优化：如果图像较大，遍历每一个像素可能会比较耗时，可以考虑使用OpenCV提供的并行处理方法，如 cv::parallel_for_ 等。通过上述方法，你可以很容易地在OpenCV和C++中给一张图片添加泊松噪声。这对于模拟真实世界中的噪声情况非常有用，尤其是在图像处理和计算机视觉的研究和应用中。

运行结果1

除噪方法

在OpenCV联合C++中去除一张图片上的泊松噪声（Poisson Noise），可以采用多种滤波方法。泊松噪声通常表现为与图像亮度相关的噪声，因此需要选择一种能够适应这种特性的滤波方法。以下是一些常用的滤波方法及其适用性：

1. 非局部均值去噪（Non-Local Means Denoising）

非局部均值去噪（NL-means）是一种高级去噪方法，它通过查找图像中的相似区域来进行去噪。这种方法可以在保持图像细节的同时去除噪声，尤其适用于泊松噪声。

示例代码

#include <opencv2/opencv.hpp>
#include <iostream>int main()
{// 读取图像cv::Mat img = cv::imread("path/to/noisy_image.jpg", cv::IMREAD_GRAYSCALE);if (img.empty()){std::cerr << "Error loading image." << std::endl;return -1;}// 显示原始噪声图像cv::namedWindow("Noisy Image", cv::WINDOW_NORMAL);cv::imshow("Noisy Image", img);// 应用非局部均值去噪cv::Mat denoisedImg;cv::fastNlMeansDenoising(img, denoisedImg, 10, 7, 21); // h=10, templateWindowSize=7, searchWindowSize=21// 显示去噪后的图像cv::namedWindow("Denoised Image", cv::WINDOW_NORMAL);cv::imshow("Denoised Image", denoisedImg);cv::waitKey(0);return 0;
}

运行结果

2. 双边滤波（Bilateral Filtering）

双边滤波是一种非局部均值滤波方法，它在平滑图像的同时能够较好地保留边缘。双边滤波不仅考虑空间邻域，还考虑像素值的相似性，因此在去除泊松噪声的同时，可以较好地保留图像细节。

示例代码

#include <opencv2/opencv.hpp>
#include <iostream>int main()
{// 读取图像cv::Mat img = cv::imread("path/to/noisy_image.jpg", cv::IMREAD_GRAYSCALE);if (img.empty()){std::cerr << "Error loading image." << std::endl;return -1;}// 显示原始噪声图像cv::namedWindow("Noisy Image", cv::WINDOW_NORMAL);cv::imshow("Noisy Image", img);// 应用双边滤波cv::Mat denoisedImg;cv::bilateralFilter(img, denoisedImg, 9, 75, 75); // d=9, sigmaColor=75, sigmaSpace=75// 显示去噪后的图像cv::namedWindow("Denoised Image", cv::WINDOW_NORMAL);cv::imshow("Denoised Image", denoisedImg);cv::waitKey(0);return 0;
}

运行结果

3. 高斯滤波（Gaussian Filtering）

高斯滤波是一种经典的平滑方法，可以用于去除高斯噪声。尽管泊松噪声与高斯噪声有所不同，但在某些情况下，高斯滤波仍然可以作为一种简单的去噪方法。

示例代码

#include <opencv2/opencv.hpp>
#include <iostream>int main()
{// 读取图像cv::Mat img = cv::imread("path/to/noisy_image.jpg", cv::IMREAD_GRAYSCALE);if (img.empty()){std::cerr << "Error loading image." << std::endl;return -1;}// 显示原始噪声图像cv::namedWindow("Noisy Image", cv::WINDOW_NORMAL);cv::imshow("Noisy Image", img);// 应用高斯滤波cv::Mat denoisedImg;cv::GaussianBlur(img, denoisedImg, cv::Size(3, 3), 0); // ksize 为 3x3 的高斯滤波// 显示去噪后的图像cv::namedWindow("Denoised Image", cv::WINDOW_NORMAL);cv::imshow("Denoised Image", denoisedImg);cv::waitKey(0);return 0;
}

运行结果

4. 维纳滤波（Wiener Filtering）

维纳滤波是一种基于最小均方误差估计的滤波方法，可以用于去除各种类型的噪声，包括泊松噪声。维纳滤波需要估计噪声的功率谱密度和信号的功率谱密度。示例代码维纳滤波在OpenCV中没有直接的支持，但可以通过自定义实现。

这里提供一个简化的伪代码示例：

示例代码

#include <opencv2/opencv.hpp>
#include <iostream>void applyWienerFilter(const cv::Mat &input, cv::Mat &output, double noiseVariance)
{// 假设输入图像为灰度图像cv::Mat fftInput, fftOutput, psf, noisePower, signalPower, wienerKernel;// 计算输入图像的傅里叶变换cv::dft(input, fftInput);// PSF（点扩散函数）可以是高斯核或其他核cv::GaussianBlur(cv::Mat::ones(input.size(), CV_32F), psf, cv::Size(3, 3),0);// 计算PSF的傅里叶变换cv::dft(psf, psf);// 计算噪声功率谱密度noisePower = cv::Mat::ones(fftInput.size(), CV_32F) * noiseVariance;// 估计信号功率谱密度signalPower = cv::abs(psf) * cv::abs(psf);// Wiener 滤波器wienerKernel = signalPower / (signalPower + noisePower);// 应用Wiener滤波器cv::mulSpectrums(fftInput, wienerKernel, fftOutput, 0);// 反傅里叶变换cv::dft(fftOutput, fftOutput, cv::DFT_INVERSE | cv::DFT_SCALE);// 逆变换回空间域cv::idft(fftOutput, output);
}int main()
{// 读取图像cv::Mat img = cv::imread("path/to/noisy_image.jpg", cv::IMREAD_GRAYSCALE);if (img.empty()){std::cerr << "Error loading image." << std::endl;return -1;}// 显示原始噪声图像cv::namedWindow("Noisy Image", cv::WINDOW_NORMAL);cv::imshow("Noisy Image", img);// 应用维纳滤波cv::Mat denoisedImg;applyWienerFilter(img, denoisedImg, 10.0); // 假设噪声方差为 10.0// 显示去噪后的图像cv::namedWindow("Denoised Image", cv::WINDOW_NORMAL);cv::imshow("Denoised Image", denoisedImg);cv::waitKey(0);return 0;
}

运行结果

总结

•非局部均值去噪（Non-Local Means Denoising）：适用于需要保留图像细节的情况，能够较好地去除泊松噪声。
•双边滤波（Bilateral Filtering）：在平滑图像的同时能够较好地保留边缘，适用于需要保持图像细节的情况。
•高斯滤波（Gaussian Filtering）：简单易用，但在处理泊松噪声时效果可能不如非局部均值去噪和双边滤波。
•维纳滤波（Wiener Filtering）：适用于需要精确去噪的情况，但实现较为复杂。

根据具体的应用需求和图像特点，可以选择最适合的方法。如果需要去除泊松噪声同时尽量保留图像细节，可以优先考虑非局部均值去噪和双边滤波。如果需要更高级的去噪效果，可以考虑维纳滤波。