在本文中，我们将展示如何通过三个简单的步骤来实现降噪。我们将使用机器学习训练的降噪模型。这是我们找到的最好的降噪模型之一。

程序可以判断图像是否有噪点吗？这对于另一个项目可能是个主意，因为我们的降噪模型不够智能，无法计算出噪声。因此我们必须自己确定。在这种情况下，最好的方法通常是尝试不同的值并找到最佳结果。经过一些练习，我们会获得更多经验，并且找到最佳参数值。

介绍

在这个项目中，我们将使用三个Python软件包：OpenCV，Matplotlib和NumPy。OpenCV是一个非常知名的计算机视觉工具包。作为OpenCV库的先决条件，我们将需要安装NumPy。读取图像时，我们将像素转换为数组。NumPy将在后台进行该操作。当处理多维数组时，NumPy是足够的。

降噪模型

这是该项目非常有趣的部分。首先，我将分享我们将用于减少噪声的算法。然后，我将分享它具有多少个参数以及每个参数的含义。

图片中的黄色区域看起来很像。另外，绿色的小区域也看起来很相似。非局部均值去噪算法选择一个像素，在其周围取一个小窗口，扫描图像以获得相似的窗口，对所有窗口求平均，然后计算结果以替换该像素。该算法被称为非本地算法，因为它搜索整个图像以找到相互联系，而不仅仅是在单个区域周围。那不是很酷吗？

该算法包含两个常用函数：fastNlMeansDenoising和fastNlMeansDenoisingColored。第一个用于灰度图像，第二个用于彩色照片。在我们的例子中，我们将使用彩色图像。

该函数的参数为src，dst，h，hcolor，templateWindowSize，和searchWindowSize。

src：我们要进行降噪的输入图像。

dst：如果要导出结果，则为目的地。

h：亮度分量（较大的h值会消除更多的噪点，但也会降低图像的质量）。

hcolor：颜色分量（这10是彩色图像文档中的推荐值）。

templateWindowSize：该功能将平滑的区域的像素大小。它应该是一个奇数整数。

searchWindowSize：该功能将找到并用作参考的区域的像素大小。它对性能产生线性影响：值越大，searchWindowSize表示去噪时间越长。另外，它应该是一个奇数整数（21是官方文档推荐的值，因为它适用于大多数嘈杂的图像情况）。

步骤1：安装软件包

我们必须安装两个库才能使我们的程序正常运行：numpy和opencv-python。我们可以使用PIP库管理器将它们安装在一行中：

pip install numpy opencv-python

让我们继续创建一个新的Jupyter Notebook（但可以随意使用所需的代码编写环境）。这是我的第一个笔记本块，我们在其中导入刚刚构建的库：

import cv2import numpy as np

在这一步中，我们将找到要用于降噪的图片。为了更清楚地看到更改，它可能是嘈杂的图片。也可以随意使用常规图像-仍然会出现平滑现象。

这是我们所使用的图像：

这是读取图像的行。我们正在使用OpenCV的imread方法：

img =cv2.imread("test_image.png")

现在，我们进入第三步，也是最后一步，我们将在实际操作中看到降噪效果。

步骤3：对影像进行除噪

到目前为止看起来不错！现在，这是项目的有趣部分。我们将看到降噪后图像的外观。我们将使用三个不同的值运行该函数，以查看每个值如何影响最终结果。随意检查第一步，以了解每个参数代表什么。

denoise_1 = cv2.fastNlMeansDenoisingColored（img，None，3,3,7,21）denoise_2 = cv2.fastNlMeansDenoisingColored（img，None，5,5,7,21）denoise_3 = cv2.fastNlMeansDenoisingColored（img，None，15,15,157,21）

去噪图像分配给不同的变量。让我们保存结果。我们将使用OpenCV的imwrite方法。如您所见，我们传递变量和要保存的文件名。

cv2.imwrite（'image_1.png'，denoise_1）cv2.imwrite（'image_2.png'，denoise_2）cv2.imwrite（'image_3.png'，denoise_3）

比较结果

我们可以按顺序看到它们。值越大，图像变得越平滑。

这是一张查看前后变化的图片。我选择了denoise_1我的最终结果。

恭喜你！我们开发了一种程序，可以将图像的噪点降低不同程度。还有许多其他图像缩小算法。小伙伴可以尝试一下，然后选择自己喜欢的。根据我们的经验，它们不如我们在本文中使用的那样强大，即非局部均值降噪算法。一些降噪算法也称为模糊算法。