我想估计图像中的噪点。
让我们假设一个图像+白噪声的模型。 现在我想估计噪声方差。
我的方法是计算图像的局部方差（3 * 3到21 * 21块），然后找到局部方差相当恒定的区域（通过计算局部方差矩阵的局部方差）。 我假设这些区域是“平坦的”，因此方差几乎是“纯”噪声。
然而，我没有得到持续的结果。
有没有更好的办法？
谢谢。
附： 我不能假设任何关于图像但是独立的噪声（对于真实图像不是这样，但我们假设它）。
我想估计图像中的噪点。
让我们假设一个图像+白噪声的模型。 现在我想估计噪声方差。
我的方法是计算图像的局部方差（3 * 3到21 * 21块），然后找到局部方差相当恒定的区域（通过计算局部方差矩阵的局部方差）。 我假设这些区域是“平坦的”，因此方差几乎是“纯”噪声。
然而，我没有得到持续的结果。
有没有更好的办法？
谢谢。
附： 我不能假设任何关于图像但是独立的噪声（对于真实图像不是这样，但我们假设它）。
您可以使用以下方法估计噪声方差（此实现仅适用于灰度图像）：
def estimate_noise(I):
H, W = I.shape
M = [[1, -2, 1],
[-2, 4, -2],
[1, -2, 1]]
sigma = np.sum(np.sum(np.absolute(convolve2d(I, M))))
sigma = sigma * math.sqrt(0.5 * math.pi) / (6 * (W-2) * (H-2))
return sigma
参考文献：J.Immerkær，“Fast Noise Variance Estimation”，Computer Vision and Image Understanding，Vol。 64，第2期，第300-302页，1996年9月[PDF]
您可以使用以下方法估计噪声方差（此实现仅适用于灰度图像）：
def estimate_noise(I):
H, W = I.shape
M = [[1, -2, 1],
[-2, 4, -2],
[1, -2, 1]]
sigma = np.sum(np.sum(np.absolute(convolve2d(I, M))))
sigma = sigma * math.sqrt(0.5 * math.pi) / (6 * (W-2) * (H-2))
return sigma
参考文献：J.Immerkær，“Fast Noise Variance Estimation”，Computer Vision and Image Understanding，Vol。 64，第2期，第300-302页，1996年9月[PDF]
从噪声中表征信号的问题并不容易。根据您的问题，第一次尝试将表征二阶统计量：已知自然图像具有像素到像素的相关性，这些相关性按照定义 - 不存在于白噪声中。
在傅里叶空间中，相关性对应于能谱。众所周知，对于自然图像，它减少为1 / f ^ 2。为了量化噪声，我建议用两个假设（平面和1 / f ^ 2）计算图像光谱的相关系数，以便提取系数。
一些启动你的功能：
import numpy
def get_grids(N_X, N_Y):
from numpy import mgrid
return mgrid[-1:1:1j*N_X, -1:1:1j*N_Y]
def frequency_radius(fx, fy):
R2 = fx**2 + fy**2
(N_X, N_Y) = fx.shape
R2[N_X/2, N_Y/2]= numpy.inf
return numpy.sqrt(R2)
def enveloppe_color(fx, fy, alpha=1.0):
# 0.0, 0.5, 1.0, 2.0 are resp. white, pink, red, brown noise
# (see http://en.wikipedia.org/wiki/1/f_noise )
# enveloppe
return 1. / frequency_radius(fx, fy)**alpha #
import scipy
image = scipy.lena()
N_X, N_Y = image.shape
fx, fy = get_grids(N_X, N_Y)
pink_spectrum = enveloppe_color(fx, fy)
from scipy.fftpack import fft2
power_spectrum = numpy.abs(fft2(image))**2
我建议 这篇精彩的论文 更多细节。
Scikit Image有一个估计sigma函数，效果很好：
http://scikit-image.org/docs/dev/api/skimage.restoration.html#skimage.restoration.estimate_sigma
它也适用于彩色图像，你只需要设置 multichannel=True 和 average_sigmas=True：
import cv2
from skimage.restoration import estimate_sigma
def estimate_noise(image_path):
img = cv2.imread(image_path)
return estimate_sigma(img, multichannel=True, average_sigmas=True)
高数字意味着低噪音。