如何在图像中检测盐和胡椒噪声点？

Question

我已经花费了数周时间研究如何检测由机器生成的坏点，但仍然无法找到最佳解决方案。我想知道是否有人可以提供一些关于此问题的线索。

以下是受损图像的示例。坏点非常明显，通常为亮或暗点。这些点具有以下特征：

1. 相对较大或较小的强度。

2. 它们大多是一个或两个相邻的像素。

我尝试过：

1. 将它们视为Harris Conner，并使用更大的梯度来检测它们。但是，边缘上的某些点也具有较大的梯度。此外，梯度阈值不易固定。较小的阈值会引入假阳性，而较大的阈值则引入假阴性。

2. 由于坏点与其局部区域相比具有较大或较小的强度，因此我计算中心点以外的平均强度，并将其与中心点进行比较。但是，一些具有较大或较小强度的正常点可能会被此方法错误分类。同时，平均值和中心点之间差异的阈值也很难固定。

3. 我还尝试提取一些特征来对点进行分类，并将它们分类为坏点或好点。虽然我的分类器达到了96％的准确率，但由于图像中的点数量众多（6000,000），这可能会导致许多点被错误分类。

4. 我想知道是否有一些深度学习点检测模式？我想尝试使用它们以查看是否可以实现99.99 ...％的准确率。

   此外，以下示例是受损图像和正常图像。虽然它们在人类眼中非常明显，但我无法想出一个完美的方法来让计算机区分它们。

   带有一些亮像素的正常图像：

带有两个坏点的受损图像：

如果您能提供一些关于此问题的线索，我将不胜感激。非常感谢！

- 李悦城

---

无法访问的图片，请勿使用远程服务器。 - user1196549

“bad points” 似乎是 盐和胡椒噪声。同时，你是如何计算分类器的准确性的？ - Masoud

@Masoud 谢谢您的回复！是的，我也这么认为。我标记了几千个点，并将它们分为训练集和验证集。我根据标签在验证集上进行计算。当然，在测试时我平衡了负样本和正样本。 - 李悦城

如何估计相邻像素的像素强度差，并为其设置阈值，将像素分类为噪声或正常？您可以根据需要检查4个相邻像素或8个相邻像素。我建议这样做是因为像素强度之间存在明显差异。与深度学习模型（如果您打算尝试）相比，这并不会增加计算负担。 - venkata krishnan

您应该能够上传图片，它们将只是链接而不是内联显示。但是，它们将位于SO的图像服务器上，其他用户将能够为您内联它们。 - Cris Luengo

Answer 1

您可以尝试使用小半径（3x3或5x5）的中值滤波器。然后检测与原始图像差异较大的椒盐噪声。

- user1196549

---

@李悦城：你试过了吗？不，你没有。 - user1196549

实际上，我确实这样做了。我在我的分类器中使用了它作为一个特征。虽然它很有用，但还不够。 - 李悦城

@李悦城：你的意思是将噪声输入到分类器中吗？ - user1196549

@李悦城：你真的在训练那个差异吗？ - user1196549

是的，我还使用了像素值等其他功能。 - 李悦城

Answer 2

利用Numpy检测像素强度范围在[0,255]内，设定最小/最大阈值可能会起作用。思路是创建一个掩码，其中所有像素大于某个亮点阈值和小于另一个暗点阈值。检测到的点将被着色为绿色。

import cv2
import numpy as np

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
mask = ((gray >= 200) | (gray <= 100))
image[mask] = [36,255,12]

cv2.imshow('image', image)
cv2.waitKey()

- nathancy

---

这对于像盐和胡椒噪声一样像素值全局大或小的情况很好。然而，我的问题与脉冲噪声有关，其像素值在局部上很大或很小。 - 李悦城