在早先的章節里，我們看到很多圖像平滑技術如高斯模糊，Median模糊等，它們在移除數量小的噪音時在某種程度上比較好用。在這些技術里，我們取像素周圍的一小部分鄰居，做一些類似于高斯平均權重，中值等替換掉中間的元素。簡單說，移除一個像素的噪音是基于本地鄰居的。

噪音有一個屬性，噪音一般被認為是具有零平均值的隨機變量。假設一個像素噪音，p = p0 + n, 其中p0是像素的真實值，n是那個像素的噪音。你可以從不同圖像取大量的同一個像素(N)并計算他們的平均值，理想情況下，你應該得到p=p0，因為均值是0.

你可以自己通過一個簡單例子驗證一下。保持一個靜止的攝像機對準一個位置多呆幾秒，這會給你很多幀，或者是對一個場景的很多圖像。然后寫一些代碼來找到視頻里所有幀的平均值。比較最終的結果和第一幀。你可以看到噪點被去掉了。不幸的是這個簡單的方法對于攝像機和場景的運動來說就不健壯了。而且經常你也只有一個噪音圖像可用。

Image Denoising

OpenCV提供了這種技術的四種變體。

Common arguments:

h：參數決定濾波器強度。較高的h值可以更好地消除噪聲，但也會刪除圖像的細節 (10 is ok) hForColorComponents：與h相同，但僅適用于彩色圖像。 （通常與h相同） templateWindowSize：應該是奇數。 （recommended 7） searchWindowSize：應該是奇數。 （recommended 21）

cv2.fastNlMeansDenoisingColored()

如上所述，它用于從彩色圖像中去除噪聲。 （噪音預計是高斯噪音）

import numpy as npimport cv2import matplotlib.pyplot as pltimg = cv2.imread('img.jpg')dst = cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21)plt.subplot(121),plt.imshow(img)plt.subplot(122),plt.imshow(dst)plt.show()

cv2.fastNlMeansDenoisingMulti（）

現在我們將相同的方法應用于視頻。 第一個參數是嘈雜幀的列表。 第二個參數imgToDenoiseIndex指定我們需要去噪的幀，因為我們在輸入列表中傳遞了frame的索引。 第三個是temporalWindowSize，它指定了用于去噪的附近幀的數量。 在這種情況下，使用總共temporalWindowSize幀，其中中心幀是要去噪的幀。 例如，傳遞了5個幀的列表作為輸入。 設imgToDenoiseIndex = 2和temporalWindowSize = 3.然后使用frame-1，frame-2和frame-3對幀-2進行去噪