restoration

Module: restoration

图像恢复模块。

denoise_bilateral

skimage.restoration.denoise_bilateral(image, win_size=None, sigma_color=None, sigma_spatial=1, bins=10000, mode='constant', cval=0, multichannel=None, sigma_range=None)[资源]

使用双边滤波器去噪图像。

这是一个边缘保留的去噪滤波器。它根据它们的空间接近度和辐射测量相似性对像素进行平均[R419]。

空间贴近度是通过两个像素之间的欧几里德距离的高斯函数和一定的标准偏差（sigma_spatial）来测量的。

辐射测量相似性是通过两个颜色值和一定标准偏差（sigma_color）之间的欧几里得距离的高斯函数来测量的。

参考

例子

>>> from skimage import data, img_as_float
>>> astro = img_as_float(data.astronaut())
>>> astro = astro[220:300, 220:320]
>>> noisy = astro + 0.6 * astro.std() * np.random.random(astro.shape)
>>> noisy = np.clip(noisy, 0, 1)
>>> denoised = denoise_bilateral(noisy, sigma_color=0.05, sigma_spatial=15)

denoise_nl_means

skimage.restoration.denoise_nl_means(image, patch_size=7, patch_distance=11, h=0.1, multichannel=None, fast_mode=True)[source]

对二维或三维灰度图像和二维RGB图像执行非局部平均去噪。

笔记

非局部均值算法非常适合对具有特定纹理的图像进行去噪。该算法的原理是平均在有限邻域的给定像素与其它的像素的值的值，条件是该补丁集中于其他像素将集中在感兴趣的像素的补丁足够相似。

在算法[R420]的原始版本中，对应fast=False的计算复杂度是

image.size * patch_size ** image.ndim * patch_distance ** image.ndim

因此，改变补丁的大小或其最大距离对计算时间有很大影响，特别是对于3D图像。

但是，默认行为对应于fast_mode=True使用另一版本的非本地方法[R421]，对应于其复杂度

image.size * patch_distance ** image.ndim

计算时间仅取决于补丁大小，这要归功于计算给定移位的补丁距离积分，从而减少了操作次数[R420]。因此，该算法执行速度比经典算法（fast_mode=False）快，但是使用两倍的内存。与其他替代方案相比，这种实施已被证明效率更高，参见[R422]。

与经典算法相比，贴片的所有像素都有助于与具有相同权重的另一个贴片的距离，而不管它们与贴片中心的距离如何。这种较粗略的距离计算可能导致较差的去噪表现。而且，对于小图像（线性尺寸仅为贴片尺寸的几倍的图像），由于边界效应，经典算法可以更快。

图像使用去噪之前的reflect模式填充skimage.util.pad。

参考

例子

>>> a = np.zeros((40, 40))
>>> a[10:-10, 10:-10] = 1.
>>> a += 0.3 * np.random.randn(*a.shape)
>>> denoised_a = denoise_nl_means(a, 7, 5, 0.1)

denoise_tv_bregman

skimage.restoration.denoise_tv_bregman(image, weight, max_iter=100, eps=0.001, isotropic=True)[source]

使用分裂Bregman优化执行总变差去噪。

总变差去噪（也称为总变差正则化）试图在与输入图像相似的约束下找到总变化较小的图像，该输入图像由正则化参数（[R423]，[R424]， [R425]，[R426]）。

参考

denoise_tv_chambolle

skimage.restoration.denoise_tv_chambolle(im, weight=0.1, eps=0.0002, n_iter_max=200, multichannel=False)[source]

对n维图像执行全变量去噪。

笔记

确保为彩色图像适当地设置多通道参数。

总变差去噪的原理在http://en.wikipedia.org/wiki/Total_variation_denoising中解释

总变差去噪的原理是尽量减少图像的总变化，这可以粗略地描述为图像梯度范数的积分。总变差去噪倾向于产生“卡通式”图像，即分段恒定图像。

该代码是由Chambolle在[R427]中提出的Rudin，Fatemi和Osher算法的实现。

参考

例子

关于宇航员图像的2D例子：

>>> from skimage import color, data
>>> img = color.rgb2gray(data.astronaut())[:50, :50]
>>> img += 0.5 * img.std() * np.random.randn(*img.shape)
>>> denoised_img = denoise_tv_chambolle(img, weight=60)

关于合成数据的3D示例：

>>> x, y, z = np.ogrid[0:20, 0:20, 0:20]
>>> mask = (x - 22)**2 + (y - 20)**2 + (z - 17)**2 < 8**2
>>> mask = mask.astype(np.float)
>>> mask += 0.2*np.random.randn(*mask.shape)
>>> res = denoise_tv_chambolle(mask, weight=100)

denoise_wavelet

skimage.restoration.denoise_wavelet(img, sigma=None, wavelet='db1', mode='soft', wavelet_levels=None, multichannel=False, convert2ycbcr=False)[source]

对图像执行小波消噪。

笔记

小波域是图像的稀疏表示，可以被认为与傅里叶变换的频域类似。稀疏表示的大部分值为零或接近零，并且真正的随机噪声（通常）由小波域中的许多小值表示。将低于某个阈值的所有值设置为0可降低图像中的噪点，但较大的阈值也会降低图像中的细节。

如果输入是3D，则此功能将分别对每个色彩平面执行小波消噪。输出图像根据输入图像范围在-1,1和0,1之间剪切。

当YCbCr转换完成时，每个颜色通道都在0和1之间缩放，并将sigma值应用于这些缩放的颜色通道。

参考

例子

>>> from skimage import color, data
>>> img = img_as_float(data.astronaut())
>>> img = color.rgb2gray(img)
>>> img += 0.1 * np.random.randn(*img.shape)
>>> img = np.clip(img, 0, 1)
>>> denoised_img = denoise_wavelet(img, sigma=0.1)

estimate_sigma

skimage.restoration.estimate_sigma(im, average_sigmas=False, multichannel=False)[source]

（高斯）噪声标准差的鲁棒小波估计。

笔记

该函数假定噪声遵循高斯分布。估计算法基于小波细节系数的中值绝对偏差，如[R430]的第4.2节所述。

参考

例子

>>> import skimage.data
>>> from skimage import img_as_float
>>> img = img_as_float(skimage.data.camera())
>>> sigma = 0.1
>>> img = img + sigma * np.random.standard_normal(img.shape)
>>> sigma_hat = estimate_sigma(img, multichannel=False)

inpaint_biharmonic

skimage.restoration.inpaint_biharmonic(img, mask, multichannel=False)[source]

用双调和方程对图像进行蒙版。

参考

例子

>>> img = np.tile(np.square(np.linspace(0, 1, 5)), (5, 1))
>>> mask = np.zeros_like(img)
>>> mask[2, 2:] = 1
>>> mask[1, 3:] = 1
>>> mask[0, 4:] = 1
>>> out = inpaint_biharmonic(img, mask)

nl_means_denoising

skimage.restoration.nl_means_denoising(image, patch_size=7, patch_distance=11, h=0.1, multichannel=None, fast_mode=True)[source]

弃用功能。skimage.restoration.denoise_nl_means改为使用。

对二维或三维灰度图像和二维RGB图像执行非局部平均去噪。

笔记

非局部均值算法非常适合对具有特定纹理的图像进行去噪。该算法的原理是平均在有限邻域的给定像素与其它的像素的值的值，条件是该补丁集中于其他像素将集中在感兴趣的像素的补丁足够相似。

在算法[R432]的原始版本中，对应fast=False的计算复杂度是

image.size * patch_size ** image.ndim * patch_distance ** image.ndim

因此，改变补丁的大小或其最大距离对计算时间有很大影响，特别是对于3D图像。

但是，默认行为对应于fast_mode=True使用另一版本的非本地方法[R433]，对应于其复杂度

image.size * patch_distance ** image.ndim

计算时间仅取决于补丁大小，这要归功于计算给定移位的补丁距离积分，从而减少了操作次数[R432]。因此，该算法执行速度比经典算法（fast_mode=False）快，但是使用两倍的内存。与其他替代方案相比，这种实现已被证明更有效，参见[R434]。

与经典算法相比，贴片的所有像素都有助于与具有相同权重的另一个贴片的距离，而不管它们与贴片中心的距离如何。这种较粗略的距离计算可能导致较差的去噪表现。而且，对于小图像（线性尺寸仅为贴片尺寸的几倍的图像），由于边界效应，经典算法可以更快。

图像使用去噪之前的reflect模式填充skimage.util.pad。

参考

例子

>>> a = np.zeros((40, 40))
>>> a[10:-10, 10:-10] = 1.
>>> a += 0.3 * np.random.randn(*a.shape)
>>> denoised_a = denoise_nl_means(a, 7, 5, 0.1)

richardson_lucy

skimage.restoration.richardson_lucy(image, psf, iterations=50, clip=True)[source]

理查森 - 露西解卷积。

参考

例子

>>> from skimage import color, data, restoration
>>> camera = color.rgb2gray(data.camera())
>>> from scipy.signal import convolve2d
>>> psf = np.ones((5, 5)) / 25
>>> camera = convolve2d(camera, psf, 'same')
>>> camera += 0.1 * camera.std() * np.random.standard_normal(camera.shape)
>>> deconvolved = restoration.richardson_lucy(camera, psf, 5)

unsupervised_wiener

skimage.restoration.unsupervised_wiener(image, psf, reg=None, user_params=None, is_real=True, clip=True)[source]

无监督Wiener-Hunt解卷积。

使用Wiener-Hunt方法返回反卷积，其中超参数是自动估计的。该算法是下面参考文献中描述的随机迭代过程（吉布斯采样器）。另请参阅wiener功能。

| 其他参数：|

| | 这些关键字user\_params是：threshold：float停止标准：与逐次逼近解（标准样本的经验平均值，请参见注释部分）之间的差值范数。1e-4默认。burnin：int要开始计算平均值的忽略的样本数。100默认。min_iter：int最小迭代次数。30默认。max_iter：int如果不满足阈值，则为最大迭代次数。默认150。回调：可调用（默认情况下为无）用户提供的可调用对象，如果函数存在，则传递该对象，用于任何目的的当前图像样本。用户可以存储样本，或计算除平均值之外的其他时刻。它对算法执行没有影响，仅用于检查。|

笔记

估计的图像被设计为概率法的后验均值（来自贝叶斯分析）。平均值被定义为对所有可能的图像加权的总和。鉴于问题的大小，确切的总和是不容易处理的。该算法使用MCMC在后验定律下绘制图像。实际的想法是只画出高度可能的图像，因为它们对平均值的贡献最大。相反，由于它们的贡献较低，不太可能的图像被较少地绘制。最后，这些样本的经验均值给了我们一个平均值的估计，以及一个无限样本集的精确计算。

参考

例子

>>> from skimage import color, data, restoration
>>> img = color.rgb2gray(data.astronaut())
>>> from scipy.signal import convolve2d
>>> psf = np.ones((5, 5)) / 25
>>> img = convolve2d(img, psf, 'same')
>>> img += 0.1 * img.std() * np.random.standard_normal(img.shape)
>>> deconvolved_img = restoration.unsupervised_wiener(img, psf)

unwrap_phase

skimage.restoration.unwrap_phase(image, wrap_around=False, seed=None)[source]

从包裹的阶段图像中恢复原件。

从包裹在[-pi，pi]区间的图像中，恢复出原始的，未包装的图像。

参考

例子

>>> c0, c1 = np.ogrid[-1:1:128j, -1:1:128j]
>>> image = 12 * np.pi * np.exp(-(c0**2 + c1**2))
>>> image_wrapped = np.angle(np.exp(1j * image))
>>> image_unwrapped = unwrap_phase(image_wrapped)
>>> np.std(image_unwrapped - image) < 1e-6   # A constant offset is normal
True

维纳

skimage.restoration.wiener(image, psf, balance, reg=None, is_real=True, clip=True)[source]

维纳 - 亨特解卷积

用维纳 - 亨特方法返回反卷积（即用傅立叶对角化）。

笔记

该功能通过脉冲响应（或PSF）将维纳滤波器应用于噪声和降级图像。如果数据模型是

[y = Hx + n]

其中（n）是噪声，（H）PSF和（x）未知原始图像，维纳滤波器是

[\hat x = F^\dag (|\Lambda_H|^2 + \lambda |\Lambda_D|^2) \Lambda_H^\dag F y]

其中（F）和（F ^ \ dag）分别是傅里叶变换和反傅里叶变换，（\ Lambda_H）传递函数（或PSF的傅立叶变换，参见下面的Hunt）和（\ Lambda_D）恢复的图像频率（默认情况下是拉普拉斯算子，即惩罚高频）。参数（\ lambda）调整数据之间的平衡（倾向于增加高频率，甚至来自噪声的数据）和正则化。

这些方法对于之前的模型是特定的。因此，应用程序或真实图像的性质必须与先前的模型相对应。默认情况下，先验模型（拉普拉斯算子）引入图像平滑度或像素相关性。它也可以解释为高频处罚，以补偿解决方案相对于数据的不稳定性（有时称为噪声放大或“爆炸性”解决方案）。

最后，傅立叶空间的使用意味着（H）的循环性质，参见Hunt。

参考

例子

>>> from skimage import color, data, restoration
>>> img = color.rgb2gray(data.astronaut())
>>> from scipy.signal import convolve2d
>>> psf = np.ones((5, 5)) / 25
>>> img = convolve2d(img, psf, 'same')
>>> img += 0.1 * img.std() * np.random.standard_normal(img.shape)
>>> deconvolved_img = restoration.wiener(img, psf, 1100)