一种新的图像去噪方式：图像修补+斑点检测的预处理

灵感来源于我之前写的一篇博客：图像处理：基于cv2.inpaint()图像修补。

这种方式可以有效的去除白色的噪点，这里我们需要一张噪点的图像，你可以用下面的代码随机生成一张噪点图片：

import cv2
import numpy as np
# import pyzjrdef addnoisy(image, n=2000):""":param image: 原始图像:param n: 添加椒盐的次数,默认为10000:return: 返回被椒盐处理后的图像"""result = image.copy()w, h = image.shape[:2]for i in range(n):x = np.random.randint(0, w)y = np.random.randint(0, h)if np.random.randint(0, 1) == 0:result[x, y] = 255return resultimg = cv2.imread("crack.jpg")
result = addnoisy(img)
cv2.imwrite("crack.png",result)

原图crack.jpg：

噪点图crack.png:

然后我们就可以用下面的代码进行处理了。

import cv2
import numpy as np
from skimage.feature import blob_log
import matplotlib.pyplot as pltimage = cv2.imread(r"D:\PythonProject\net\High_tower\crack.png")
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)min_sigma = 1  # 斑点最小尺寸
max_sigma = 50  # 斑点最大尺寸
threshold = 0.1  # 斑点阈值，用于控制检测的灵敏度blobs = blob_log(gray_image, min_sigma=min_sigma, max_sigma=max_sigma, threshold=threshold)height, width = image.shape[:2]black_image = np.zeros((height, width), dtype=np.uint8)for blob in blobs:y, x, sigma = blobradius = int(sigma * np.sqrt(2))  # 半径是标准差乘以sqrt(2)cv2.circle(black_image, (int(x), int(y)), radius, (255,255,255), -1)dst = cv2.inpaint(image, black_image, 10, cv2.INPAINT_TELEA)
cv2.imwrite("filled_blobs.png", black_image)
cv2.imwrite("dst.png", dst)

这里先是使用blob_log函数从灰度图像中检测斑点，并将检测到的斑点存储在blobs中。根据图像的高度和宽度，创建一个与输入图像相同尺寸的全黑图像，用于标记检测到的斑点。

使用for循环遍历检测到的每个斑点，然后在全黑图像上绘制一个白色的圆圈来标记斑点的位置和大小。

使用图像修复技术，将标记了斑点的全黑图像balck_image与原始图像image相结合，生成修复后的图像dst。

这里保存了两张图，一张是mask，一张是处理后的图片。

检测到的mask: