Python OpenCV入門：圖像預處理之去噪方法

圖像預處理之去噪方法（Python OpenCV入門）¶

一、爲什麼要去噪？¶

圖像在採集或傳輸過程中，常常會受到各種噪聲干擾，比如：
- 高斯噪聲：類似“鹽粒”般隨機分佈的亮點（高頻噪聲，常見於傳感器）；
- 椒鹽噪聲：黑白斑點（如相機傳感器灰塵、傳輸錯誤導致的0或255像素值）；
- 泊松噪聲：與圖像亮度相關的隨機噪聲（低光環境常見）。

噪聲會模糊圖像細節，影響後續任務（如目標檢測、人臉識別）的準確性。去噪是圖像預處理的核心步驟，目的是保留有用信息的同時去除干擾。

二、Python OpenCV基礎準備¶

首先確保已安裝OpenCV和NumPy：

pip install opencv-python numpy matplotlib

核心操作：
- 讀取圖像：cv2.imread()（默認BGR格式，可轉RGB用於顯示）；
- 顯示圖像：cv2.imshow()（需配合cv2.waitKey()和cv2.destroyAllWindows()）；
- 常用工具：np.array處理噪聲生成，matplotlib可視化對比。

三、經典去噪方法及代碼實現¶

1. 均值濾波（簡單平均去噪）¶

原理：用一個小窗口（如3×3）覆蓋圖像，將窗口內所有像素的平均值作爲中心像素值。
特點：簡單快速，但會模糊邊緣（因平均化），適合高斯噪聲（高頻隨機噪聲）。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像（示例：假設圖像路徑爲'input.jpg'）
img = cv2.imread('input.jpg')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 轉RGB用於matplotlib顯示

# 生成帶高斯噪聲的圖像（模擬噪聲）
noise = np.random.normal(0, 20, img.shape).astype(np.uint8)
noisy_img = cv2.add(img, noise)  # 疊加噪聲

# 均值濾波（3×3窗口）
mean_denoised = cv2.blur(noisy_img, (3, 3))  # 核大小必須是整數

# 可視化對比
plt.figure(figsize=(12, 6))
plt.subplot(131), plt.imshow(img_rgb), plt.title('Original')
plt.subplot(132), plt.imshow(noisy_img), plt.title('Noisy')
plt.subplot(133), plt.imshow(mean_denoised), plt.title('Mean Filter')
plt.show()

2. 中值濾波（椒鹽噪聲剋星）¶

原理：用窗口內像素的中值（排序後中間值）代替中心像素，對極端值（如0/255噪聲點）不敏感。
特點：對椒鹽噪聲效果極佳，保留邊緣能力強，核大小需爲奇數（如3、5）。

# 生成帶椒鹽噪聲的圖像（手動製造噪聲）
def add_salt_pepper_noise(img, prob=0.02):
    noisy = np.copy(img)
    h, w = noisy.shape[:2]
    for i in range(h):
        for j in range(w):
            if np.random.random() < prob:
                noisy[i, j] = 0 if np.random.random() < 0.5 else 255  # 50%概率黑/白
    return noisy

noisy_salt = add_salt_pepper_noise(img_rgb)  # 轉換爲RGB後處理
median_denoised = cv2.medianBlur(noisy_salt, 3)  # 3×3核

# 可視化
plt.figure(figsize=(12, 6))
plt.subplot(131), plt.imshow(img_rgb), plt.title('Original')
plt.subplot(132), plt.imshow(noisy_salt), plt.title('Salt & Pepper Noise')
plt.subplot(133), plt.imshow(median_denoised), plt.title('Median Filter')
plt.show()

3. 高斯濾波（更智能的加權平均）¶

原理：用高斯分佈的卷積核（中心權重最高）加權平均像素值，既平滑噪聲又保護邊緣。
特點：比均值濾波更柔和，適合高斯噪聲，需指定核大小（奇數）和標準差sigma。

# 高斯濾波（核大小3×3，sigmaX=1）
gaussian_denoised = cv2.GaussianBlur(noisy_img, (3, 3), sigmaX=1)

# 可視化
plt.figure(figsize=(12, 6))
plt.subplot(131), plt.imshow(noisy_img), plt.title('Noisy')
plt.subplot(132), plt.imshow(cv2.cvtColor(gaussian_denoised, cv2.COLOR_BGR2RGB)), plt.title('Gaussian Filter')
plt.show()

4. 雙邊濾波（去噪+保邊）¶

原理：結合空間距離（窗口內像素加權）和顏色相似性（顏色越近權重越高），保留邊緣的同時去噪。
特點：計算量較大，但能處理“高頻噪聲”且邊緣清晰，適合人臉、風景等需保邊的場景。

# 雙邊濾波（直徑=9，顏色標準差=75，空間標準差=75）
bilateral_denoised = cv2.bilateralFilter(noisy_img, 9, 75, 75)

# 可視化
plt.figure(figsize=(12, 6))
plt.subplot(131), plt.imshow(noisy_img), plt.title('Noisy')
plt.subplot(132), plt.imshow(cv2.cvtColor(bilateral_denoised, cv2.COLOR_BGR2RGB)), plt.title('Bilateral Filter')
plt.show()

四、方法選擇指南¶

噪聲類型	推薦方法	核大小建議	核心優勢
高斯噪聲	高斯濾波	3×3/5×5	加權平均，保護邊緣
椒鹽噪聲	中值濾波	3×3/5×5	抗極端值，黑白斑點去噪
混合噪聲	先高斯後中值	3×3→3×3	兼顧兩種噪聲特性
高頻細節噪聲	雙邊濾波	5×5/9×9	去噪同時保留輪廓、紋理邊緣

五、總結¶

均值濾波：簡單快速，但模糊邊緣；
中值濾波：椒鹽噪聲“殺手”，保邊能力強；
高斯濾波：平衡噪聲抑制與邊緣保留；
雙邊濾波：高級去噪保邊，適合高精度場景。

初學者可從高斯濾波和中值濾波入手，根據噪聲類型選擇（如照片偏暗→先高斯，監控畫面有斑點→先中值），後續可嘗試雙邊濾波優化細節！

練習：嘗試不同核大小（如5×5）觀察去噪效果，對比參數sigma對高斯濾波的影響~