OpenCV图像去噪技术教程：从基础到实战，轻松掌握图像清晰化技巧

引言

在数字图像处理中，噪声是影响图像质量的主要因素之一。噪声可能来源于传感器缺陷、传输过程干扰、光照条件不佳等多种原因。OpenCV（Open Source Computer Vision Library）作为最流行的计算机视觉库之一，提供了丰富的图像去噪工具和算法。本教程将从基础概念讲起，逐步深入到实战应用，帮助你全面掌握使用OpenCV进行图像去噪的技术。

1. 图像噪声基础

1.1 噪声的类型

在深入学习去噪技术之前，我们需要了解常见的噪声类型：

高斯噪声（Gaussian Noise）：噪声服从正态分布，通常由传感器热噪声引起。其特点是每个像素的噪声值独立，且幅度变化平滑。

椒盐噪声（Salt-and-Pepper Noise）：随机将图像中的像素设置为最大值（盐）或最小值（椒），通常由传输错误或传感器故障引起。

泊松噪声（Poisson Noise）：与光子计数相关，常见于低光照条件下的图像采集。

均匀噪声（Uniform Noise）：噪声值在一定范围内均匀分布，相对少见。

1.2 噪声的数学表示

假设原始图像为 ( I(x,y) )，噪声图像为 ( I’(x,y) )，则： [ I’(x,y) = I(x,y) + n(x,y) ] 其中 ( n(x,y) ) 是噪声函数。

对于椒盐噪声，噪声函数可以表示为： [ n(x,y) = begin{cases} 255 & text{概率为 } p/2 0 & text{概率为 } p/2 0 & text{概率为 } 1-p end{cases} ] 其中 ( p ) 是噪声密度。

2. OpenCV基础准备

2.1 安装OpenCV

# 使用pip安装OpenCV pip install opencv-python # 如果需要额外的模块（如contrib模块） pip install opencv-contrib-python

2.2 基本图像操作

import cv2 import numpy as np # 读取图像 img = cv2.imread('noisy_image.jpg') # 显示图像 cv2.imshow('Original Image', img) cv2.waitKey(0) cv2.destroyAllWindows() # 保存图像 cv2.imwrite('clean_image.jpg', img)

3. 空间域去噪方法

3.1 均值滤波（Mean Filter）

均值滤波是最简单的空间域去噪方法，通过计算邻域像素的平均值来替换中心像素。

import cv2 import numpy as np def mean_filter(image, kernel_size=3): """ 均值滤波实现 :param image: 输入图像 :param kernel_size: 滤波器大小 :return: 滤波后的图像 """ # 使用OpenCV的boxFilter函数 return cv2.boxFilter(image, -1, (kernel_size, kernel_size)) # 示例：对含高斯噪声的图像应用均值滤波 noisy_img = cv2.imread('gaussian_noise.jpg') filtered_img = mean_filter(noisy_img, kernel_size=3) # 显示结果 cv2.imshow('Original', noisy_img) cv2.imshow('Mean Filtered', filtered_img) cv2.waitKey(0) cv2.destroyAllWindows()

优缺点分析：

优点：计算简单，速度快
缺点：会模糊图像边缘，去噪效果有限

3.2 高斯滤波（Gaussian Filter）

高斯滤波使用高斯核进行卷积，对中心像素赋予更高权重，能更好地保留边缘。

def gaussian_filter(image, kernel_size=5, sigma=1.0): """ 高斯滤波实现 :param image: 输入图像 :param kernel_size: 核大小（必须为奇数） :param sigma: 高斯函数的标准差 :return: 滤波后的图像 """ return cv2.GaussianBlur(image, (kernel_size, kernel_size), sigma) # 示例：对含高斯噪声的图像应用高斯滤波 noisy_img = cv2.imread('gaussian_noise.jpg') filtered_img = gaussian_filter(noisy_img, kernel_size=5, sigma=1.0) # 显示结果 cv2.imshow('Original', noisy_img) cv2.imshow('Gaussian Filtered', filtered_img) cv2.waitKey(0) cv2.destroyAllWindows()

参数调整技巧：

kernel_size：越大去噪效果越强，但图像越模糊
sigma：控制高斯函数的宽度，影响平滑程度

3.3 中值滤波（Median Filter）

中值滤波对椒盐噪声特别有效，通过取邻域像素的中值来替换中心像素。

def median_filter(image, kernel_size=3): """ 中值滤波实现 :param image: 输入图像 :param kernel_size: 滤波器大小 :return: 滤波后的图像 """ return cv2.medianBlur(image, kernel_size) # 示例：对含椒盐噪声的图像应用中值滤波 noisy_img = cv2.imread('salt_pepper_noise.jpg') filtered_img = median_filter(noisy_img, kernel_size=5) # 显示结果 cv2.imshow('Original', noisy_img) cv2.imshow('Median Filtered', filtered_img) cv2.waitKey(0) cv2.destroyAllWindows()

中值滤波的优势：

对椒盐噪声去除效果极佳
能较好地保留边缘信息
计算相对简单

4. 频域去噪方法

4.1 频域滤波基础

频域去噪基于傅里叶变换，将图像从空间域转换到频域进行处理。

import cv2 import numpy as np import matplotlib.pyplot as plt def frequency_domain_filter(image, cutoff_freq=30): """ 频域低通滤波（理想低通滤波器） :param image: 输入图像（灰度图） :param cutoff_freq: 截止频率 :return: 滤波后的图像 """ # 转换为灰度图 if len(image.shape) == 3: gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) else: gray = image # 傅里叶变换 f = np.fft.fft2(gray) fshift = np.fft.fftshift(f) # 创建理想低通滤波器 rows, cols = gray.shape crow, ccol = rows // 2, cols // 2 mask = np.zeros((rows, cols), np.uint8) r = cutoff_freq cv2.circle(mask, (ccol, crow), r, 1, -1) # 应用滤波器 fshift_filtered = fshift * mask # 逆傅里叶变换 f_ishift = np.fft.ifftshift(fshift_filtered) img_back = np.fft.ifft2(f_ishift) img_back = np.abs(img_back) return img_back # 示例：频域去噪 noisy_img = cv2.imread('gaussian_noise.jpg', 0) # 读取灰度图 filtered_img = frequency_domain_filter(noisy_img, cutoff_freq=30) # 显示结果 plt.figure(figsize=(12, 6)) plt.subplot(131), plt.imshow(noisy_img, cmap='gray'), plt.title('Original') plt.subplot(132), plt.imshow(filtered_img, cmap='gray'), plt.title('Filtered') plt.show()

4.2 巴特沃斯低通滤波器

巴特沃斯滤波器比理想滤波器更平滑，能减少振铃效应。

def butterworth_lowpass_filter(image, cutoff_freq=30, order=2): """ 巴特沃斯低通滤波器 :param image: 输入图像（灰度图） :param cutoff_freq: 截止频率 :param order: 滤波器阶数 :return: 滤波后的图像 """ # 转换为灰度图 if len(image.shape) == 3: gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) else: gray = image # 傅里叶变换 f = np.fft.fft2(gray) fshift = np.fft.fftshift(f) # 创建巴特沃斯低通滤波器 rows, cols = gray.shape crow, ccol = rows // 2, cols // 2 u, v = np.meshgrid(np.arange(cols), np.arange(rows)) D = np.sqrt((u - ccol)**2 + (v - crow)**2) H = 1 / (1 + (D / cutoff_freq)**(2 * order)) # 应用滤波器 fshift_filtered = fshift * H # 逆傅里叶变换 f_ishift = np.fft.ifftshift(fshift_filtered) img_back = np.fft.ifft2(f_ishift) img_back = np.abs(img_back) return img_back # 示例：巴特沃斯滤波器去噪 noisy_img = cv2.imread('gaussian_noise.jpg', 0) filtered_img = butterworth_lowpass_filter(noisy_img, cutoff_freq=30, order=2) # 显示结果 plt.figure(figsize=(12, 6)) plt.subplot(131), plt.imshow(noisy_img, cmap='gray'), plt.title('Original') plt.subplot(132), plt.imshow(filtered_img, cmap='gray'), plt.title('Butterworth Filtered') plt.show()

5. 非局部均值去噪（Non-Local Means）

非局部均值去噪是一种先进的去噪算法，通过比较图像中不同区域的相似性来去噪。

5.1 算法原理

非局部均值算法的核心思想是：对于图像中的每个像素，不仅考虑其邻域，还考虑整个图像中与该邻域相似的其他区域。

5.2 OpenCV实现

def non_local_means_denoising(image, h=10, template_window_size=7, search_window_size=21): """ 非局部均值去噪 :param image: 输入图像 :param h: 调节参数，控制去噪强度 :param template_window_size: 模板窗口大小 :param search_window_size: 搜索窗口大小 :return: 去噪后的图像 """ # OpenCV的非局部均值去噪函数 return cv2.fastNlMeansDenoisingColored( image, None, h, h * 2, # hColor参数 template_window_size, search_window_size ) # 示例：非局部均值去噪 noisy_img = cv2.imread('noisy_image.jpg') denoised_img = non_local_means_denoising(noisy_img, h=10, template_window_size=7, search_window_size=21) # 显示结果 cv2.imshow('Original', noisy_img) cv2.imshow('Non-Local Means Denoised', denoised_img) cv2.waitKey(0) cv2.destroyAllWindows()

参数说明：

h：去噪强度参数，值越大去噪越强，但可能丢失细节
template_window_size：模板窗口大小，通常7-9
search_window_size：搜索窗口大小，通常21-31

6. 双边滤波（Bilateral Filter）

双边滤波是一种保边去噪技术，同时考虑空间距离和像素值差异。

6.1 算法原理

双边滤波的权重由两部分组成：

空间权重：基于像素间的距离
像素值权重：基于像素值的差异

6.2 OpenCV实现

def bilateral_filter(image, d=9, sigma_color=75, sigma_space=75): """ 双边滤波 :param image: 输入图像 :param d: 邻域直径 :param sigma_color: 颜色空间标准差 :param sigma_space: 空间坐标标准差 :return: 滤波后的图像 """ return cv2.bilateralFilter(image, d, sigma_color, sigma_space) # 示例：双边滤波去噪 noisy_img = cv2.imread('noisy_image.jpg') filtered_img = bilateral_filter(noisy_img, d=9, sigma_color=75, sigma_space=75) # 显示结果 cv2.imshow('Original', noisy_img) cv2.imshow('Bilateral Filtered', filtered_img) cv2.waitKey(0) cv2.destroyAllWindows()

参数调整技巧：

sigma_color：控制颜色相似度，值越大颜色差异容忍度越高
sigma_space：控制空间距离，值越大空间距离影响越大
d：邻域直径，通常与sigma_space相关

7. 小波变换去噪

小波变换是一种时频分析工具，能有效分离信号和噪声。

7.1 小波变换基础

小波变换将图像分解为不同尺度和方向的子带，噪声通常分布在高频子带中。

7.2 使用PyWavelets实现

import pywt import cv2 import numpy as np def wavelet_denoising(image, wavelet='db4', level=3, threshold=0.1): """ 小波变换去噪 :param image: 输入图像（灰度图） :param wavelet: 小波基函数 :param level: 分解层数 :param threshold: 阈值参数 :return: 去噪后的图像 """ # 转换为灰度图 if len(image.shape) == 3: gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) else: gray = image # 小波分解 coeffs = pywt.wavedec2(gray, wavelet, level=level) # 阈值处理 coeffs_thresh = [coeffs[0]] # 保留近似系数 for i in range(1, len(coeffs)): # 对细节系数进行阈值处理 detail_coeffs = coeffs[i] # 计算阈值 sigma = np.median(np.abs(detail_coeffs)) / 0.6745 thr = sigma * np.sqrt(2 * np.log(gray.size)) # 应用软阈值 detail_coeffs_thresh = pywt.threshold(detail_coeffs, thr, mode='soft') coeffs_thresh.append(detail_coeffs_thresh) # 小波重构 denoised = pywt.waverec2(coeffs_thresh, wavelet) # 裁剪到原始尺寸 denoised = denoised[:gray.shape[0], :gray.shape[1]] return denoised # 示例：小波去噪 noisy_img = cv2.imread('gaussian_noise.jpg', 0) denoised_img = wavelet_denoising(noisy_img, wavelet='db4', level=3) # 显示结果 plt.figure(figsize=(12, 6)) plt.subplot(131), plt.imshow(noisy_img, cmap='gray'), plt.title('Original') plt.subplot(132), plt.imshow(denoised_img, cmap='gray'), plt.title('Wavelet Denoised') plt.show()

8. 深度学习去噪方法

8.1 使用预训练模型

OpenCV 4.x支持使用ONNX格式的预训练去噪模型。

import cv2 import numpy as np def deep_learning_denoising(image, model_path='denoising_model.onnx'): """ 使用深度学习模型去噪 :param image: 输入图像 :param model_path: ONNX模型路径 :return: 去噪后的图像 """ # 加载ONNX模型 net = cv2.dnn.readNetFromONNX(model_path) # 预处理图像 blob = cv2.dnn.blobFromImage( image, scalefactor=1.0/255.0, # 归一化 size=(256, 256), # 模型输入尺寸 mean=(0, 0, 0), # 均值 swapRB=True, # BGR转RGB crop=False ) # 前向传播 net.setInput(blob) output = net.forward() # 后处理 output = output[0].transpose(1, 2, 0) # 调整维度 output = (output * 255).clip(0, 255).astype(np.uint8) # 调整大小到原始尺寸 output = cv2.resize(output, (image.shape[1], image.shape[0])) return output # 示例：深度学习去噪 # 注意：需要先下载或训练一个去噪模型 # denoised_img = deep_learning_denoising(noisy_img, model_path='denoising_model.onnx')

8.2 使用DnCNN模型

DnCNN（Denoising Convolutional Neural Network）是经典的去噪CNN模型。

# 这里展示如何使用OpenCV的DNN模块加载预训练的DnCNN模型 # 注意：需要先下载DnCNN的ONNX模型 def dncnn_denoising(image, model_path='dncnn.onnx'): """ 使用DnCNN模型去噪 :param image: 输入图像 :param model_path: DnCNN模型路径 :return: 去噪后的图像 """ # 加载模型 net = cv2.dnn.readNetFromONNX(model_path) # 预处理 blob = cv2.dnn.blobFromImage( image, scalefactor=1.0/255.0, size=(50, 50), # DnCNN通常处理50x50的块 mean=(0, 0, 0), swapRB=True, crop=False ) # 前向传播 net.setInput(blob) output = net.forward() # 后处理 output = output[0].transpose(1, 2, 0) output = (output * 255).clip(0, 255).astype(np.uint8) return output

9. 实战案例：综合去噪流程

9.1 案例背景

假设我们有一张包含多种噪声的图像，需要设计一个综合去噪流程。

9.2 完整代码实现

import cv2 import numpy as np import matplotlib.pyplot as plt class ImageDenoisingPipeline: """图像去噪综合流程""" def __init__(self): self.steps = [] def add_step(self, step_func, **kwargs): """添加去噪步骤""" self.steps.append((step_func, kwargs)) def process(self, image): """执行去噪流程""" result = image.copy() for step_func, kwargs in self.steps: result = step_func(result, **kwargs) return result @staticmethod def detect_noise_type(image): """检测噪声类型（简化版）""" # 计算图像梯度 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) grad_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3) grad_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3) magnitude = np.sqrt(grad_x**2 + grad_y**2) # 计算噪声水平 noise_level = np.std(magnitude) if noise_level > 50: return "high_noise" elif noise_level > 20: return "medium_noise" else: return "low_noise" # 示例使用 def main(): # 读取图像 image = cv2.imread('noisy_image.jpg') # 创建去噪流程 pipeline = ImageDenoisingPipeline() # 根据噪声类型选择去噪方法 noise_type = pipeline.detect_noise_type(image) print(f"检测到的噪声类型: {noise_type}") if noise_type == "high_noise": # 高噪声：先用中值滤波去除椒盐噪声 pipeline.add_step(cv2.medianBlur, ksize=5) # 再用非局部均值去噪 pipeline.add_step(cv2.fastNlMeansDenoisingColored, h=10, templateWindowSize=7, searchWindowSize=21) elif noise_type == "medium_noise": # 中等噪声：使用双边滤波 pipeline.add_step(cv2.bilateralFilter, d=9, sigmaColor=75, sigmaSpace=75) else: # 低噪声：使用高斯滤波 pipeline.add_step(cv2.GaussianBlur, ksize=(3, 3), sigmaX=1.0) # 执行去噪 denoised = pipeline.process(image) # 显示结果 plt.figure(figsize=(15, 5)) plt.subplot(131), plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)), plt.title('Original') plt.subplot(132), plt.imshow(cv2.cvtColor(denoised, cv2.COLOR_BGR2RGB)), plt.title('Denoised') plt.show() # 保存结果 cv2.imwrite('denoised_result.jpg', denoised) if __name__ == "__main__": main()

10. 去噪效果评估

10.1 主观评估

主观评估通过人眼观察去噪效果，主要关注：

噪声是否明显减少
图像细节是否保留
是否出现伪影

10.2 客观评估指标

import cv2 import numpy as np def calculate_psnr(img1, img2): """ 计算峰值信噪比（PSNR） :param img1: 参考图像 :param img2: 测试图像 :return: PSNR值（dB） """ mse = np.mean((img1 - img2) ** 2) if mse == 0: return float('inf') max_pixel = 255.0 psnr = 20 * np.log10(max_pixel / np.sqrt(mse)) return psnr def calculate_ssim(img1, img2): """ 计算结构相似性指数（SSIM） :param img1: 参考图像 :param img2: 测试图像 :return: SSIM值 """ # 转换为灰度图 if len(img1.shape) == 3: img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) if len(img2.shape) == 3: img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) # 计算均值 mu1 = cv2.GaussianBlur(img1, (11, 11), 1.5) mu2 = cv2.GaussianBlur(img2, (11, 11), 1.5) # 计算方差和协方差 sigma1_sq = cv2.GaussianBlur(img1 * img1, (11, 11), 1.5) - mu1 * mu1 sigma2_sq = cv2.GaussianBlur(img2 * img2, (11, 11), 1.5) - mu2 * mu2 sigma12 = cv2.GaussianBlur(img1 * img2, (11, 11), 1.5) - mu1 * mu2 # SSIM参数 C1 = (0.01 * 255) ** 2 C2 = (0.03 * 255) ** 2 # 计算SSIM ssim_map = ((2 * mu1 * mu2 + C1) * (2 * sigma12 + C2)) / ((mu1 ** 2 + mu2 ** 2 + C1) * (sigma1_sq + sigma2_sq + C2)) return np.mean(ssim_map) # 示例：评估去噪效果 def evaluate_denoising(original, noisy, denoised): """ 评估去噪效果 :param original: 原始干净图像 :param noisy: 含噪声图像 :param denoised: 去噪后图像 """ # 计算PSNR psnr_noisy = calculate_psnr(original, noisy) psnr_denoised = calculate_psnr(original, denoised) # 计算SSIM ssim_noisy = calculate_ssim(original, noisy) ssim_denoised = calculate_ssim(original, denoised) print("=== 去噪效果评估 ===") print(f"含噪声图像PSNR: {psnr_noisy:.2f} dB") print(f"去噪后图像PSNR: {psnr_denoised:.2f} dB") print(f"含噪声图像SSIM: {ssim_noisy:.4f}") print(f"去噪后图像SSIM: {ssim_denoised:.4f}") print(f"PSNR提升: {psnr_denoised - psnr_noisy:.2f} dB") print(f"SSIM提升: {ssim_denoised - ssim_noisy:.4f}") return { 'psnr_noisy': psnr_noisy, 'psnr_denoised': psnr_denoised, 'ssim_noisy': ssim_noisy, 'ssim_denoised': ssim_denoised } # 使用示例 # original = cv2.imread('clean_image.jpg') # noisy = cv2.imread('noisy_image.jpg') # denoised = cv2.imread('denoised_result.jpg') # evaluate_denoising(original, noisy, denoised)

11. 高级技巧与优化

11.1 自适应去噪

def adaptive_denoising(image): """ 自适应去噪：根据图像局部特性调整去噪参数 :param image: 输入图像 :return: 去噪后的图像 """ # 计算局部噪声水平 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 使用滑动窗口计算局部标准差 window_size = 7 h, w = gray.shape local_std = np.zeros_like(gray, dtype=np.float32) for i in range(window_size//2, h - window_size//2): for j in range(window_size//2, w - window_size//2): window = gray[i-window_size//2:i+window_size//2+1, j-window_size//2:j+window_size//2+1] local_std[i, j] = np.std(window) # 根据局部噪声水平调整去噪强度 # 高噪声区域使用更强的去噪 # 低噪声区域使用较弱的去噪 denoised = np.zeros_like(image) for i in range(h): for j in range(w): if local_std[i, j] > 30: # 高噪声区域 # 使用中值滤波 window = image[max(0, i-2):min(h, i+3), max(0, j-2):min(w, j+3)] denoised[i, j] = np.median(window) elif local_std[i, j] > 10: # 中等噪声区域 # 使用高斯滤波 window = image[max(0, i-1):min(h, i+2), max(0, j-1):min(w, j+2)] denoised[i, j] = np.mean(window) else: # 低噪声区域 # 保持原像素值 denoised[i, j] = image[i, j] return denoised

11.2 多尺度去噪

def multi_scale_denoising(image, scales=[1, 0.5, 0.25]): """ 多尺度去噪：在不同尺度上进行去噪后融合 :param image: 输入图像 :param scales: 尺度列表 :return: 去噪后的图像 """ h, w = image.shape[:2] results = [] for scale in scales: # 缩放图像 scaled = cv2.resize(image, (int(w * scale), int(h * scale))) # 在缩放后的图像上应用去噪 denoised_scaled = cv2.fastNlMeansDenoisingColored( scaled, None, h=10, templateWindowSize=7, searchWindowSize=21 ) # 恢复原始尺寸 denoised = cv2.resize(denoised_scaled, (w, h)) results.append(denoised) # 融合结果（简单平均） fused = np.mean(results, axis=0).astype(np.uint8) return fused

12. 实际应用建议

12.1 根据噪声类型选择算法

噪声类型	推荐算法	参数建议
高斯噪声	高斯滤波、非局部均值	sigma=1-2, h=10-15
椒盐噪声	中值滤波	kernel_size=3-7
混合噪声	双边滤波、非局部均值	d=9, sigma_color=75-100
低光照噪声	小波变换、深度学习	level=3-5, threshold=0.1

12.2 性能与质量的平衡

def balanced_denoising(image, quality='medium'): """ 平衡去噪质量与性能 :param image: 输入图像 :param quality: 质量级别 ('fast', 'medium', 'high') :return: 去噪后的图像 """ if quality == 'fast': # 快速去噪：使用简单的均值滤波 return cv2.boxFilter(image, -1, (3, 3)) elif quality == 'medium': # 中等质量：使用双边滤波 return cv2.bilateralFilter(image, d=9, sigmaColor=75, sigmaSpace=75) elif quality == 'high': # 高质量：使用非局部均值 return cv2.fastNlMeansDenoisingColored( image, None, h=10, templateWindowSize=7, searchWindowSize=21 ) else: raise ValueError("质量级别必须是 'fast', 'medium', 或 'high'")

13. 常见问题与解决方案

13.1 去噪后图像过于模糊

问题：去噪算法过度平滑，导致图像细节丢失。

解决方案：

调整去噪强度参数（如降低h值）
使用保边去噪算法（如双边滤波）
结合边缘增强技术

def edge_preserving_denoising(image): """ 保边去噪：先去噪，再增强边缘 :param image: 输入图像 :return: 去噪后的图像 """ # 第一步：去噪 denoised = cv2.bilateralFilter(image, d=9, sigmaColor=75, sigmaSpace=75) # 第二步：边缘增强 gray = cv2.cvtColor(denoised, cv2.COLOR_BGR2GRAY) edges = cv2.Canny(gray, 50, 150) # 将边缘叠加到去噪图像上 edges_bgr = cv2.cvtColor(edges, cv2.COLOR_GRAY2BGR) result = cv2.addWeighted(denoised, 0.8, edges_bgr, 0.2, 0) return result

13.2 去噪后出现伪影

问题：去噪过程中产生不自然的纹理或块状伪影。

解决方案：

降低去噪强度
使用更平滑的滤波器
增加滤波器尺寸

13.3 处理彩色图像时的颜色失真

问题：彩色图像去噪后颜色发生变化。

解决方案：

在YUV或Lab颜色空间中处理亮度通道
使用OpenCV的彩色去噪函数（如fastNlMeansDenoisingColored）
分别处理每个颜色通道

def color_preserving_denoising(image): """ 保持颜色的去噪方法 :param image: 输入图像 :return: 去噪后的图像 """ # 转换为Lab颜色空间 lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB) l, a, b = cv2.split(lab) # 只对亮度通道L进行去噪 l_denoised = cv2.fastNlMeansDenoising(l, None, h=10, templateWindowSize=7, searchWindowSize=21) # 合并通道 lab_denoised = cv2.merge([l_denoised, a, b]) # 转换回BGR result = cv2.cvtColor(lab_denoised, cv2.COLOR_LAB2BGR) return result