`
Marshal_R
  • 浏览: 132229 次
  • 性别: Icon_minigender_1
  • 来自: 广州
社区版块
存档分类
最新评论

人工智能应用实例:图片降噪

阅读更多

人工智能应用实例:图片降噪

 

 

 场景设置

   对白色背景、黑色前景的黑白图片进行降噪处理,可以假定背景部分多于前景。

 
   
 图1 从左往右:原图、噪声图、降噪图 

 

 

降噪模型

    我们可以对图片建立这样一个两层的二维模型,底层表示原图,顶层表示任意的噪声图,xi为原图第i个像素,yi为噪声图第i个像素,xi、yi的取值只有1和-1,1表示白色,-1表示黑色。


图2 图片模型

 

    显然,我们对噪声图任取的一个像素yi可以有以下3个推测:

 

        1、这个像素更加可能是白色,因为白色背景多于黑色前景。

        2、这个像素应该和它周围的几个像素颜色一致。

        3、如果不能确定这个像素在原图到底是白色还是黑色,那么更有可能原图就是现在噪声图的这个颜色,因为毕竟噪声像素是少量的,大部分像素维持了原图的颜色。

 

    基于此,可以对噪声图定义一个能量公式:
    注意:这里的xi、yi颠倒过来了,xi为噪声图,yi为原图。

 

    公式中三个参数都是正实数,第一项表示对噪声图每个像素的值求和,第二项表示对噪声图每个像素与之周围像素差异的求和,第三项表示噪声图像素与原图像素的差异求和。显然基于我们以上的3点推测,越接近原图,噪声图的能量值应该越低。

 

 

降噪过程

    有了这样一个图片模型和噪声图能量公式,我们就可以对图片降噪了。图片降噪基于一个很简单的想法,我们对整个噪声图的每个像素扫描一次(也可以扫描多遍),看看每次改变该像素点的颜色能否使整个噪声图的能量值降低,如果能量值降低了,我们就接受这一次改动,否则,该像素颜色保持不变。

 

    不过,这里还存在一个问题,我们不可能取得能量公式中原图每个像素yi的值!其实这也无妨,可以简单地用每次降噪处理(一次只处理一个像素)得到的新的降噪图去逼近原图,而一开始采用的就是噪声图。因此,每次降噪处理都要计算两个能量值,一个是当前已经得到的降噪图(被用来逼近原图,即xi、yi都是自身)的能量值,另一个是改变一个像素颜色得到的图片(xi为自身,yi为前面得到的降噪图)的能量值。

 

 

Java代码实现

    由于某些限制,代码实现中图片读写使用了十分复杂的手段,实际上可以通过Java的imageio包进行简化。

另外,图片能量公式的3个参数这里采用了手动指定的方式:fa=0.0,fb=1.0,fc=2.1,还可以通过更加智能的算法自动学习得到,比如爬山算法、模拟退火算法、遗传算法。

 

// ImageIOer.java
/**
 * >  ImageIOer
 *   
 * ImageIOer is a class to read and save images,
 * and it implements IImageIO.
 * 
 * @author RuanShiHai
 */

import java.awt.*;
import java.awt.image.*;

import java.io.*;

import javax.imageio.*;


public class ImageIOer {
    /**
     * Read a bmp image
     * @param filePath - the image file to read
     * @return an Image object of the image
     */
    public Image myRead(String filePath) {
        try {
            // the length of BMP file header
            int bfLen = 14;

            // the length of BMP information header
            int biLen = 40;
            FileInputStream fs = new FileInputStream(filePath);
            byte[] bf = new byte[bfLen];
            byte[] bi = new byte[biLen];

            // read BMP file header
            fs.read(bf, 0, bfLen);
            // read BMP information header
            fs.read(bi, 0, biLen);

            // pixels value of width
            int biWidth = ((((int) bi[7] & 0xff) << 24) |
                (((int) bi[6] & 0xff) << 16) | (((int) bi[5] & 0xff) << 8) |
                ((int) bi[4] & 0xff));

            // pixels value of height
            int biHeight = (((int) bi[11] & 0xff) << 24) |
                (((int) bi[10] & 0xff) << 16) | (((int) bi[9] & 0xff) << 8) |
                ((int) bi[8] & 0xff);

            // the number of bits of each pixel
            int biBitCount = ((((int) bi[15] & 0xff) << 8) |
                ((int) bi[14] & 0xff));

            // the size of bytes of the image
            int biSizeImage = ((((int) bi[23] & 0xff) << 24) |
                (((int) bi[22] & 0xff) << 16) | (((int) bi[21] & 0xff) << 8) |
                ((int) bi[20] & 0xff));

            // only processes 24bits bmp image
            if (biBitCount != 24) {
                fs.close();

                return null;
            }

            // the number of bytes to be padded after each row
            int nPad = (biSizeImage / biHeight) - (biWidth * 3);

            // read pixels data from image into a byte array
            byte[] bRGB = new byte[biSizeImage];
            fs.read(bRGB, 0, biSizeImage);
            fs.close();

            int index = 0;
            int[] data = new int[biWidth * biHeight];

            // store pixels in an array of int type
            for (int i = biHeight - 1; i >= 0; i--) {
                for (int j = 0; j < biWidth; j++) {
                    data[(i * biWidth) + j] = (((int) 255 << 24) |
                        (((int) bRGB[index + 2] & 0xff) << 16) |
                        (((int) bRGB[index + 1] & 0xff) << 8) |
                        ((int) bRGB[index] & 0xff));
                    index += 3;
                }

                index += nPad;
            }

            // create an Image object
            Toolkit kit = Toolkit.getDefaultToolkit();
            Image image = kit.createImage(new MemoryImageSource(biWidth,
                        biHeight, data, 0, biWidth));

            return image;
        } catch (Exception e) {
            e.printStackTrace();
            System.out.println("Caught exception in loadbitmap!");
        }

        return null;
    }

    /**
     * Store an Image as a bmp image file
     * @param image - Image object to be saved as a bmp image file
     * @param filePath - the name of the bmp image file
     * @return the Image object
     */
    public Image myWrite(Image image, String filePath) {
        try {
            File imgFile = new File(filePath + ".bmp");
            BufferedImage bi = new BufferedImage(image.getWidth(null),
                    image.getHeight(null), BufferedImage.TYPE_INT_RGB);
            Graphics2D biContext = bi.createGraphics();

            // get a BufferedImage object from an Image object
            biContext.drawImage(image, 0, 0, null);
            biContext.dispose();
            ImageIO.write(bi, "bmp", imgFile);

            return image;
        } catch (Exception e) {
            e.printStackTrace(System.out);
        }

        return null;
    }
}

 

// PictureNoise.java
import java.awt.*;
import java.awt.image.*;

import java.io.*;
import java.util.Random;

import javax.imageio.*;

public class PictureNoise {
	private static final double rate = 0.1;
	private static final double fa = 0;
	private static final double fb = 1.0;
	private static final double fc = 2.1;

	public void generateAPicture() {
		try {
			int width = 640;
			int height = 480;
			// 创建BufferedImage对象
			Font font = new Font("微软雅黑", Font.BOLD, 160);
			BufferedImage image = new BufferedImage(width, height,
					BufferedImage.TYPE_INT_RGB);
			// 获取Graphics2D
			Graphics2D g2d = image.createGraphics();
			// 画图
			g2d.setBackground(new Color(255, 255, 255));
			g2d.setPaint(new Color(0, 0, 0));
			g2d.clearRect(0, 0, width, height);
			g2d.setFont(font);
			g2d.drawString("Java", 140, 200);
			g2d.drawString("Python", 40, 400);
			// 释放对象
			g2d.dispose();
			// 保存文件
			ImageIO.write(image, "bmp", new File("/home/ln/picture.bmp"));
		} catch (Exception ex) {
			ex.printStackTrace();
		}
	}

	// generate a picture with noise
	public Image getNoise(Image sourceImage) {
		BufferedImage bi = new BufferedImage(sourceImage.getWidth(null),
				sourceImage.getHeight(null), BufferedImage.TYPE_INT_RGB);
		Graphics2D biContext = bi.createGraphics();

		// get a BufferedImage object from an Image object
		biContext.drawImage(sourceImage, 0, 0, null);
		biContext.dispose();

		// create an array of int type to store rgb values of each pixel
		int[] rgbs = new int[bi.getWidth() * bi.getHeight()];

		bi.getRGB(0, 0, bi.getWidth(), bi.getHeight(), rgbs, 0, bi.getWidth());

		Random rd = new Random();
		int index = 0;
		for (int i = 0; i < bi.getHeight(); i++) {
			for (int j = 0; j < bi.getWidth(); j++, index++) {
				if (rd.nextDouble() < rate)
					rgbs[index] = (rgbs[index] & 0xff000000)
							| (~rgbs[index] & 0x00ffffff);
			}
		}

		// create a new Image object
		Toolkit kit = Toolkit.getDefaultToolkit();
		Image image = kit.createImage(new MemoryImageSource(bi.getWidth(), bi
				.getHeight(), rgbs, 0, bi.getWidth()));

		return image;
	}

	public Image reduceNoise(Image sourceImage, double fa, double fb, double fc) {
		BufferedImage bi = new BufferedImage(sourceImage.getWidth(null),
				sourceImage.getHeight(null), BufferedImage.TYPE_INT_RGB);
		Graphics2D biContext = bi.createGraphics();

		// get a BufferedImage object from an Image object
		biContext.drawImage(sourceImage, 0, 0, null);
		biContext.dispose();

		// create an array of int type to store rgb values of each pixel
		int[] rgbs = new int[bi.getWidth() * bi.getHeight()];

		bi.getRGB(0, 0, bi.getWidth(), bi.getHeight(), rgbs, 0, bi.getWidth());

		int height = bi.getHeight(), width = bi.getWidth();
		for (int i = 0; i < height; i++) {
			for (int j = 0; j < width; j++) {
				double dd;
				int d1, d2, d3;

				d1 = 2;
				if ((rgbs[i * width + j] & 0x00ffffff) == 0)
					d1 = -2;
				d2 = 0;
				int rc[][] = { { -1, 0 }, { 0, 1 }, { 1, 0 }, { 0, -1 } };
				for (int k = 0; k < 4; k++) {
					if (isValid(i + rc[k][0], j + rc[k][1], height, width)) {
						if ((rgbs[(i + rc[k][0]) * width + j + rc[k][1]] & 0x00ffffff) == (rgbs[i
								* width + j] & 0x00ffffff))
							d2 += -2;
						else
							d2 += 2;
					}
				}
				d2 *= 2;
				d3 = -2;

				dd = fa * d1 - fb * d2 - fc * d3;
				if (dd < 0)
					rgbs[i * width + j] = (rgbs[i * width + j] & 0xff000000)
							| (~rgbs[i * width + j] & 0x00ffffff);
			}
		}

		// create a new Image object
		Toolkit kit = Toolkit.getDefaultToolkit();
		Image image = kit.createImage(new MemoryImageSource(bi.getWidth(), bi
				.getHeight(), rgbs, 0, bi.getWidth()));

		return image;
	}

	private boolean isValid(int row, int col, int height, int width) {
		return (row >= 0 && row < height && col >= 0 && col < width);
	}

	public static void main(String[] args) {
		PictureNoise pictureNoise = new PictureNoise();
		ImageIOer imageIOer = new ImageIOer();

		pictureNoise.generateAPicture();

		Image sourceImage = imageIOer.myRead("/picture.bmp");
		Image noiseImage = pictureNoise.getNoise(sourceImage);

		Image noNoiseImage = pictureNoise.reduceNoise(noiseImage, fa, fb, fc);

		imageIOer.myWrite(noiseImage, "/picture_with_noise");
		imageIOer.myWrite(noNoiseImage, "/picture_noise_processed");
	}

}

 

 

 

 

  • 大小: 2.2 KB
  • 大小: 24.5 KB
  • 大小: 3.4 KB
  • 大小: 22.1 KB
  • 大小: 15.2 KB
分享到:
评论

相关推荐

    python图片识别实例.rar

    在Python编程领域,图片识别是一项重要的技术,广泛应用于图像处理、机器学习以及人工智能等领域。本实例将探讨如何使用Python进行图片识别,通过实际操作来帮助理解相关知识点。 首先,我们需要了解图片识别的基本...

    DSP 课件 DSP应用实例 发展历程

    此外,随着物联网和人工智能的兴起,DSP也越来越多地应用于传感器数据处理和机器学习算法的实现。 通过学习这个课件,读者不仅可以掌握DSP的基本原理,还能了解到不同领域如何利用DSP实现复杂功能,进一步提升对...

    人工智能在相机成像中的应用.pptx

    ### 人工智能在相机成像中的应用 #### 一、智能降噪与图像增强 **智能降噪** 1. **降噪算法优化**:利用深度学习技术优化降噪模型,能够根据不同的噪声类型和图像特征进行调整,从而显著提高图像的信噪比和视觉...

    Matlab神经网络工具箱应用简介.rar_matlab 神经网络_人工智能

    在人工智能领域,神经网络是模仿人脑神经元工作原理的一种算法模型,通过大量数据的训练来学习复杂的关系和模式。Matlab神经网络工具箱使得非专业AI背景的用户也能方便地进行神经网络研究和应用开发。 **神经网络的...

    基于matlab的数字信号降噪系统以及GUI界面.zip

    在本项目中,“基于matlab的数字信号降噪系统以及GUI界面.zip”是一个结合了MATLAB编程和人工智能技术的应用实例,主要用于数字信号处理中的噪声消除。MATLAB是一种强大的数学计算和数据分析环境,特别适合进行信号...

    湖南省永州市新田德恒实验学校2020届高三语文2月月考试题(含解析).doc

    试题中涉及到人工智能在日常生活中的应用,如手机的智能化功能,如自动亮屏、语音识别等,这些都是人工智能技术在客户端(C端)的应用实例。 【课件】该文档可能以课件的形式呈现,便于教师讲解和学生复习,通过...

    语音信号处理实验教程(MATLAB源代码)语音降噪.rar

    在IT领域,语音信号处理是一项重要的技术,广泛应用于通信、语音识别、听力辅助设备和人工智能等领域。本资源“语音信号处理实验教程(MATLAB源代码)语音降噪.rar”提供了一个学习和实践这一技术的平台,特别关注的...

    C图像处理程序设计实例

    在IT领域,图像处理是一项重要的技术,广泛应用于各种软件开发,包括摄影后期、医疗成像、人工智能、视频编辑等。本篇文章将详细探讨基于C语言的图像处理程序设计实例,结合C++编程语言,帮助读者深入理解图像处理的...

    基于FPGA的数字图像处理原理及应用__牟新刚

    5. **源码解析**:提供的源码可能包含多个实例,如彩色图像转换为灰度图像、图像降噪、图像增强等,读者可以通过阅读和分析这些代码,深入理解FPGA在图像处理中的应用。 6. **实际应用案例**:除了理论知识,书中的...

    基于深度自编码器的移动通信基站异常度检测.docx

    【智能运维】:智能运维是利用人工智能和大数据技术,实现主动、快速和精准的运维策略。通过基站异常检测,网络运维部门可以提前发现问题,针对性地进行巡检,减少故障发生,提高网络运维效率。 【实际应用】:提出...

    python机器学习实例代码 - 语音识别.rar

    首先,语音识别是将人类语音转化为文本的过程,它在人工智能领域有着广泛的应用,如智能家居、智能助手、语音搜索等。在Python中,有许多库可以帮助我们实现这一功能,比如`SpeechRecognition`库。这个库允许我们与...

    结构模式识别(图像模式识别基础)

    这一领域的研究对图像处理、人工智能、机器学习等多个领域都有深远影响。 首先,我们需要了解模式识别的基本步骤:数据获取、预处理、特征提取、模式分类和后处理。在这个过程中,结构模式识别强调了特征的选取和...

    matlab在语音信号分析与合成中的应用___书

    7. **应用实例**:书中会提供一些实际案例,比如语音识别系统、语音增强或降噪算法的实现,以帮助读者将理论知识应用到实践中。 尽管书中可能并未包含代码,但作者指出,相关的MATLAB代码可以通过网络获取。读者...

    DSP芯片的原理与开发应用 (第3版) 477页 12.9M.zip

    12. **最新技术趋势**:第3版可能会涵盖最新的DSP芯片技术,如多核DSP、SoC(System on Chip)集成、低功耗设计以及在物联网、人工智能等新兴领域的应用。 通过阅读这本书,读者不仅可以了解DSP芯片的基本原理,还...

    图片修复11111111

    waifu2x-caffe 的核心是深度学习算法,这是一种人工智能技术,通过大量的训练数据学习到图像特征,并能应用这些特征来预测新图像的高质量版本。在这个特定的工具中,它可能包含预训练的模型,用户可以直接使用,无需...

    简单的数字图像处理应用

    在IT领域,数字图像处理是一项基础且重要的技术,广泛应用于摄影、医学成像、安全监控、人工智能等多个领域。本主题“简单的数字图像处理应用”涵盖了基础的图像操作和滤波技术,下面将对这些知识点进行详细阐述。 ...

    西安电子科技大学随机信号大作业.wps.zip

    5. 应用实例: - 无线通信中的信道模型:多径衰落、瑞利衰落和莱斯衰落等随机过程。 - 信号检测与估计理论:噪声中的信号检测,如匹配滤波器的应用。 - 时间序列分析:ARIMA模型在时间序列预测中的应用。 - 信号...

    opencv图片拼接工具源码

    OpenCV(开源计算机视觉库)是一个强大的跨平台库,它包含了大量的...同时,这个过程也会涉及到机器学习和人工智能的概念,因为特征检测和匹配是许多机器视觉任务的基础,而拼接工具则是一个实际的计算机视觉应用实例。

    GFPGAN.rar 整个工程

    GFPGAN是AI技术在图像恢复领域的应用实例。 3. **图像处理**:GFPGAN涉及多种图像处理技术,包括图像增强、降噪、超分辨率等,这些技术都是为了提高修复后照片的质量和真实感。 在实际操作中,GFPGAN的流程可能...

    精品完整数字图像处理课件

    《精品完整数字图像处理课件》是一套全面深入讲解数字图像处理的教育资源,适用于...通过深入学习和实践,你不仅可以提升专业能力,还可以为未来在人工智能、机器视觉、图像分析等相关领域的研究和发展奠定坚实的基础。

Global site tag (gtag.js) - Google Analytics