使用小波变换对图像进行去噪

实现效果

代码

import matplotlib.pyplot as plt
from  skimage.restoration import (denoise_wavelet,estimate_sigma)
from skimage.util import random_noise
from skimage.metrics import peak_signal_noise_ratio
import skimage.io
import cv2


def waveletDenoiseGray(src):
    #读取图片，并转换成flaot类型
    img=skimage.io.imread(src)
    img=skimage.img_as_float(img)

    #往图片添加随机噪声
    sigma=0.1
    imgNoise=random_noise(img,var=sigma**2)

    #估计当前的图像的噪声的方差
    #由于随机噪声的裁切，估计的sigma值将小于指定的sigma的值
    sigma_est=estimate_sigma(imgNoise,average_sigmas=True)

    #对图像分别使用Bayesshink算法和Visushrink算法
    #输入带噪图像，小波变换模式选择 ，阈值模式，小波分解的级别，小波基，
    imgBayes=denoise_wavelet(imgNoise,method='BayesShrink',mode='soft',
                            wavelet_levels=3,wavelet='bior6.8',
                            rescale_sigma=True)

    imgVisushrink=denoise_wavelet(imgNoise,method='VisuShrink',mode='soft',
                                  sigma=sigma_est/3,wavelet_levels=5,
                                  wavelet='bior6.8',rescale_sigma=True)

    #计算输入和输出之间的PSNR值
    psnrNoise=peak_signal_noise_ratio(img,imgNoise)
    psnrBayes=peak_signal_noise_ratio(img,imgBayes)
    psnrVisushrink=peak_signal_noise_ratio(img,imgVisushrink)

    #将降噪图片结果输出出来
    plt.subplot(2,2,1)
    plt.imshow(img,cmap=plt.cm.gray)
    plt.title('Original Image')

    plt.subplot(2,2,2)
    plt.imshow(imgNoise,cmap=plt.cm.gray)
    plt.title('Noise Image')

    plt.subplot(2,2,3)
    plt.imshow(imgBayes,cmap=plt.cm.gray)
    plt.title('Denoised Image using Bayes')

    plt.subplot(2,2,4)
    plt.imshow(imgVisushrink,cmap=plt.cm.gray)
    plt.title('Denoised Image using Visushrink')
    
    plt.show()
    
    #将PSNR的值打印处理
    print('estimate sigma:',sigma_est)
    print('PSNR[orignal vs NoiseImgae]:',psnrNoise)
    print('PSNR[orignal vs Denoise[Bayes]]:',psnrBayes)
    print('PSNR[orignal vs Denoise[Visushrink]]:', psnrVisushrink)



def waveletDenoiseRgb(src):
    #读取图片，并转换成flaot类型
    img=skimage.io.imread(src)
    img=skimage.img_as_float(img)

    #往图片添加随机噪声
    sigma=0.15
    imgNoise=random_noise(img,var=sigma**2)

    #估计当前的图像的噪声的方差
    #由于随机噪声的裁切，估计的sigma值将小于指定的sigma的值,彩色图片需要设定多通道
    sigma_est=estimate_sigma(imgNoise,multichannel=True,average_sigmas=True)

    #对图像分别使用Bayesshink算法和Visushrink算法
    #输入带噪图像，小波变换模式选择 ，阈值模式，小波分解的级别，小波基，
    imgBayes=denoise_wavelet(imgNoise,method='BayesShrink',mode='soft',
                            wavelet_levels=3,wavelet='coif5',
                            multichannel=True,convert2ycbcr= True,
                            rescale_sigma=True)

    imgVisushrink=denoise_wavelet(imgNoise,method='VisuShrink',mode='soft',
                                  sigma=sigma_est/3,wavelet_levels=5,
                                  wavelet='coif5',
                                  multichannel = True,convert2ycbcr = True,rescale_sigma=True)
    # 计算输入和输出之间的PSNR值
    psnrNoise = peak_signal_noise_ratio(img, imgNoise)
    psnrBayes = peak_signal_noise_ratio(img, imgBayes)
    psnrVisushrink = peak_signal_noise_ratio(img, imgVisushrink)

    # 将降噪图片结果输出出来
    plt.subplot(2, 2, 1)
    plt.imshow(img, cmap=plt.cm.gray)
    plt.title('Original Image')

    plt.subplot(2, 2, 2)
    plt.imshow(imgNoise, cmap=plt.cm.gray)
    plt.title('Noise Image')

    plt.subplot(2, 2, 3)
    plt.imshow(imgBayes, cmap=plt.cm.gray)
    plt.title('Denoised Image using Bayes')

    plt.subplot(2, 2, 4)
    plt.imshow(imgVisushrink, cmap=plt.cm.gray)
    plt.title('Denoised Image using Visushrink')

    plt.show()

    # 将PSNR的值打印处理
    print('estimate sigma:', sigma_est)
    print('PSNR[orignal vs NoiseImgae]:', psnrNoise)
    print('PSNR[orignal vs Denoise[Bayes]]:', psnrBayes)
    print('PSNR[orignal vs Denoise[Visushrink]]:', psnrVisushrink)

if __name__ == "__main__":
    inputSrc='C:/Users/admin/Desktop/project/originPhoto/lenaGrey.png'
    # inputSrc='C:/Users/admin/Desktop/project/originPhoto/lena.png'
    waveletDenoiseGray(inputSrc)