Python skimage.restoration.denoise_bilateral用法及代码示例

用法: skimage.restoration.denoise_bilateral(image, win_size=None, sigma_color=None, sigma_spatial=1, bins=10000, mode='constant', cval=0, multichannel=False, *, channel_axis=None)

使用双边滤波器对图像进行去噪。

参数：

image：ndarray，形状(M，N[，3]): 输入图像，2D 灰度或 RGB。
win_size：int: 过滤的窗口大小。如果未指定win_size，则计算为max(5, 2 * ceil(3 * sigma_spatial) + 1)。
sigma_color：浮点数: 灰度值/颜色距离的标准偏差(辐射相似度)。较大的值会导致对具有较大辐射差异的像素进行平均。如果 None ，将使用 image 的标准偏差。
sigma_spatial：浮点数: 距离的标准偏差。较大的值导致具有较大空间差异的像素的平均。
bins：int: 颜色过滤的高斯权重的离散值的数量。较大的值会提高准确性。
mode：{‘constant’, ‘edge’, ‘symmetric’, ‘reflect’, ‘wrap’}: 如何处理图像边界之外的值。有关详细信息，请参阅 numpy.pad 。
cval：string: 与模式‘constant’(图像边界外的值)结合使用。
multichannel：bool: 图像的最后一个轴是否被解释为多个通道或另一个空间维度。不推荐使用此参数：改为指定 channel_axis。
channel_axis：int 或无，可选: 如果为 None，则假定图像是灰度(单通道)图像。否则，此参数指示数组的哪个轴对应于通道。

denoised：ndarray: 去噪图像。

其他参数：

multichannel：DEPRECATED: 已弃用以支持channel_axis。

注意：

这是一个edge-preserving，去噪滤波器。它根据像素的空间接近度和辐射相似度对像素进行平均 [1] 。

空间接近度是通过两个像素之间的欧几里得距离和一定标准偏差(sigma_spatial)的高斯函数来衡量的。

辐射相似度是通过两个颜色值之间的欧几里得距离和某个标准偏差 (sigma_color) 的高斯函数来衡量的。

请注意，如果图像是任何int数据类型，image将使用img_as_float函数和标准差 (sigma_color) 将在范围内[0, 1].

有关scikit-image 的数据类型转换以及如何在这些转换中重新缩放图像的更多信息，请参阅：https://scikit-image.org/docs/stable/user_guide/data_types.html.

参考：

1: C. Tomasi and R. Manduchi. “Bilateral Filtering for Gray and Color Images.” IEEE International Conference on Computer Vision (1998) 839-846. DOI:10.1109/ICCV.1998.710815

例子：

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

相关用法

注：本文由纯净天空筛选整理自scikit-image.org大神的英文原创作品 skimage.restoration.denoise_bilateral。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

其他参数：

注意：

参考：

例子：