一阶降解模拟退化真实噪声图像（附代码）

视觉研坊

已于 2025-01-12 14:14:22 修改

阅读量1k

点赞数 21

CC 4.0 BY-SA版权

分类专栏：数据集超分辨率重建文章标签：计算机视觉图像处理 python

于 2024-11-15 21:45:00 首次发布

本文链接：https://blog.csdn.net/qq_40280673/article/details/143801660

数据集同时被 2 个专栏收录

30 篇文章

订阅专栏

超分辨率重建

15 篇文章

订阅专栏

在这里插入图片描述

💪 专业从事且热爱图像处理，图像处理专栏更新如下👇：
📝《图像去噪》
📝《超分辨率重建》
📝《语义分割》
📝《风格迁移》
📝《目标检测》
📝《图像增强》
📝《模型优化》
📝《模型实战部署》
📝《图像配准融合》
📝《数据集》
📝《高效助手》
📝《C++》
📝《Qt》

在这里插入图片描述

之前发布过一篇二阶降解模拟真实退化图像博文，现在在之前博文基础修改代码，实现一阶降解上采样2倍模拟退化真实噪声图像。

一、原理

图像降解原理看降解原理，在这篇博文中，已经详细介绍的降解原理。

二、包和环境问题

下面是需要的相关库：

在这里插入图片描述

在源码包中的degradations2.py脚本中有一些必需要调用的函数。

三、代码

这里代码给出上采样降解模拟退化和下采样降解模拟退化，如果不需要上采样或下采样，scale参数设置为1即可。

3.1 上采样降解退化

3.1.1 参数修改

下面修改锐化相关参数：

在这里插入图片描述

下面参数是调整上采样倍数和添加随机高斯噪声、泊松噪声强弱的变量。

在这里插入图片描述

下面参数修改图片的读入和输出保存路径：

在这里插入图片描述

3.1.2 主代码

由于代码过于冗长，这里给出主代码，配套教程的源码包获取方式已在文章结尾提供，扫码到「视觉研坊」中回复关键字：一阶降解模拟真实图像，会自动回复下载链接。下载解压后的样子见下：

在这里插入图片描述

主代码见下：

import cv2
import numpy as np
import torch
from torch.nn import functional as F
import random
import os
from degradations2 import *
from tqdm import tqdm

def degration_image(data):
    """Accept data from dataloader, and then add two-order degradations to obtain LQ images.
    """
    # jpeger = DiffJPEG(differentiable=False)   # 创建了一个DiffJPEG对象，用于模拟JPEG压缩伪影
    usm_sharpener = USMSharp(radius=80, sigma=1.0)
    gt_usm = usm_sharpener(data, weight=0.9, threshold=30)   # 读入高分辨率图像，先对高分辨率图像进行USM锐化处理

    # kernel1,kernel2,sinc_kernel = kernel_kernel()  # 滤波器内核
    kernel1, _, _ = kernel_kernel()  # 滤波器内核      只需要一个卷积核
    # ori_h, ori_w = data.size()[2:4]  # 获取高质量图像的高度和宽度

    ## 降质参数调整
    # the first degradation process                        # 第一个降级过程
    # scale_scale = 1                                      # 下采样倍数
    scale = 2                                              # 上采样倍数
    # resize_prob = [0, 0, 1]  # up, down, keep              # 设置图像缩放的概率，分别对应上采样、下采样和保持原大小的概率。    保持原图大小，因为需要进
    # resize_range = [1, 2]                                  # 设置图像缩放的范围1到2倍之间。
    gaussian_noise_prob = 0.6                              # 设置添加高斯噪声的概率为0.2
    noise_range = [1, 6]                                   # 设置噪声强度的范围为1到10
    poisson_scale_range = [0.05, 0.5]                      # 设置泊松噪声的强度范围为0.05到0.95
    gray_noise_prob = 0.6                                  # 设置添加灰度噪声的概率为0.4

    #################################################################################################################
    # ----------------------- The first degradation process ----------------------- #
    # blur
    out = filter2D(gt_usm, kernel1)  # 使用第一个卷积核对锐化后的高质量图像进行卷积
    # mode = random.choice(['area', 'bilinear', 'bicubic'])
    mode = random.choice(["nearest",'bilinear', 'bicubic',])
    out = F.interpolate(out, scale_factor=scale, mode=mode)  # 对图像进行缩放
    # add noise
    gray_noise_prob = gray_noise_prob
    if np.random.uniform() < gaussian_noise_prob:  # 这个if-else语句根据概率选择添加高斯噪声或泊松噪声
        out = random_add_gaussian_noise_pt(out, sigma_range=noise_range, clip=True, rounds=False, gray_prob=gray_noise_prob)
    else:
        out = random_add_poisson_noise_pt(out,scale_range=poisson_scale_range,gray_prob=gray_noise_prob,clip=True,rounds=False)
    lq = torch.clamp((out * 255.0).round(), 0, 255) / 255.

    return lq


if __name__ == "__main__":

    folder_path = "Images\Rui_640_little"
    output_path = "Images\Rui_640_little_Degration_UP2_1"

    # 获取文件夹中所有的文件
    file_list = os.listdir(folder_path)

    # 遍历文件列表
    for file_name in tqdm(file_list,desc="Processing images"):
        # 拼接文件路径
        file_path = os.path.join(folder_path, file_name)

        # 仅处理图像文件
        if os.path.isfile(file_path) and file_name.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp')):
            # 读取图像路径
            image = cv2.imread(file_path)

            image = image.astype(np.float32) / 255
            # BGR to RGB, HWC to CHW, numpy to tensor
            image_tensor = img2tensor([image],bgr2rgb=True,float32=True)[0]
            # 增加一个维度
            image_tensor = image_tensor.unsqueeze(0)
            # print(image_tensor.shape)

            image_degratation =  degration_image(image_tensor)

            # 保存图像
            output_lq = image_degratation.detach().squeeze().float().cpu().clamp_(0, 1).numpy()    # 代码对处理后的图像进行一系列操作，包括删除尺寸为1的
            output_lq = np.transpose(output_lq[[2, 1, 0], :, :], (1, 2, 0))
            output_lq = (output_lq * 255.0).round().astype(np.uint8)  # 这行代码将图像的像素值从[0, 1]范围变为[0, 255]范围，并四舍五入到最近的整数，然后
            output_name = file_name
            print(output_name)
            cv2.imwrite(os.path.join(output_path, output_name), output_lq)  # 将处理后的图像保存为BMP格式的文件。

下面是运行Degratation_Images_Tensor_Arg_UP.py脚本后正常输出过程：

在这里插入图片描述

3.2 下采样降解退化

3.1.1 参数修改

锐化参数修改同上。

下面是降解退化参数的修改：

在这里插入图片描述

下面是启用JPEG压缩功能：

在这里插入图片描述

下面是修改待处理图像路径和输出保存路径：

在这里插入图片描述

3.2.2 主代码

源码包中对应的脚本见下：

在这里插入图片描述

主代码见下：

import cv2
import numpy as np
import torch
from torch.nn import functional as F
import random
import os
# from Degration_images.diffjpeg import DiffJpeg
from diffjpeg import DiffJPEG
from degradations2 import *
from tqdm import tqdm

def degration_image(data):
    """Accept data from dataloader, and then add two-order degradations to obtain LQ images.
    """
    jpeger = DiffJPEG(differentiable=False)   # 创建了一个DiffJPEG对象，用于模拟JPEG压缩伪影
    usm_sharpener = USMSharp(radius=80, sigma=1.0)
    gt_usm = usm_sharpener(data, weight=0.9, threshold=30)   # 读入高分辨率图像，先对高分辨率图像进行USM锐化处理

    kernel1,kernel2,sinc_kernel = kernel_kernel()  # 滤波器内核
    ori_h, ori_w = data.size()[2:4]  # 获取高质量图像的高度和宽度

    ## 降质参数调整
    # the first degradation process                        # 第一个降级过程
    scale_scale = 2                                        # 下采样倍数
    resize_prob = [0.2, 0.5, 0.1]  # up, down, keep        # 设置图像缩放的概率，分别对应上采样、下采样和保持原大小的概率。
    resize_range = [0.8, 1.2]                              # 设置图像缩放的范围，即图像大小可以在原始大小的80%到120%之间变化
    gaussian_noise_prob = 0.3                              # 设置添加高斯噪声的概率为0.4
    noise_range = [1, 2]                                   # 设置噪声强度的范围为1到10
    poisson_scale_range = [0.05, 0.5]                      # 设置泊松噪声的强度范围为0.05到0.95
    gray_noise_prob = 0.2                                  # 设置添加灰度噪声的概率为0.4
    jpeg_range = [95, 98]                                  # 设置JPEG压缩的质量范围为90到95   值越低说明压缩比越高，质量越差

    #################################################################################################################
    # ----------------------- The first degradation process ----------------------- #
    # blur
    out = filter2D(gt_usm, kernel1)  # 使用第一个卷积核对锐化后的高质量图像进行卷积
    # random resize
    updown_type = random.choices(['up', 'down', 'keep'], resize_prob)[0]  # 随机选择一个缩放类型
    if updown_type == 'up':  # 这个if-elif-else语句根据缩放类型选择缩放因子
        scale = np.random.uniform(1, resize_range[1])
    elif updown_type == 'down':
        scale = np.random.uniform(resize_range[0], 1)
    else:
        scale = 1
    mode = random.choice(['area', 'bilinear', 'bicubic'])
    # out = F.interpolate(out, scale_factor=scale, mode=mode)  # 对图像进行缩放
    out = out.float()  # 将out转换为浮点类型
    out = F.interpolate(out, size = (int(ori_h / scale_scale * scale), int(ori_w / scale_scale * scale)), mode = mode)
    # add noise
    gray_noise_prob = gray_noise_prob
    if np.random.uniform() < gaussian_noise_prob:  # 这个if-else语句根据概率选择添加高斯噪声或泊松噪声
        out = random_add_gaussian_noise_pt(out, sigma_range=noise_range, clip=True, rounds=False, gray_prob=gray_noise_prob)
    else:
        out = random_add_poisson_noise_pt(out,scale_range=poisson_scale_range,gray_prob=gray_noise_prob,clip=True,rounds=False)
    # JPEG compression
    # jpeg_p = out.new_zeros(out.size(0)).uniform_(*jpeg_range)
    # # out = torch.clamp(out, 0,1)  # clamp to [0, 1], otherwise JPEGer will result in unpleasant artifacts   # 将图像的像素值限制在[0, 1]范围内
    # out = jpeger(out, quality=jpeg_p)  # 对图像进行JPEG压缩

    lq = torch.clamp((out * 255.0).round(), 0, 255) / 255.

    return lq

if __name__ == "__main__":
    folder_path = '/visible_image/'
    output_path = '/result_images/'

    # 获取文件夹中所有的文件
    file_list = os.listdir(folder_path)

    # 遍历文件列表
    for file_name in tqdm(file_list,desc="Processing images"):
        # 拼接文件路径
        file_path = os.path.join(folder_path, file_name)

        # 仅处理图像文件
        if os.path.isfile(file_path) and file_name.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp')):
            # 读取图像路径
            image = cv2.imread(file_path)

            image = image.astype(np.float32) / 255
            # BGR to RGB, HWC to CHW, numpy to tensor
            image_tensor = img2tensor([image],bgr2rgb=True,float32=True)[0]
            # 增加一个维度
            image_tensor = image_tensor.unsqueeze(0)
            # print(image_tensor.shape)

            image_degratation =  degration_image(image_tensor)

            # 保存图像
            output_lq = image_degratation.detach().squeeze().float().cpu().clamp_(0, 1).numpy()    # 代码对处理后的图像进行一系列操作，包括删除尺寸为1的维
            output_lq = np.transpose(output_lq[[2, 1, 0], :, :], (1, 2, 0))
            output_lq = (output_lq * 255.0).round().astype(np.uint8)  # 这行代码将图像的像素值从[0, 1]范围变为[0, 255]范围，并四舍五入到最近的整数，然后转
            output_name = file_name
            print(output_name)
            cv2.imwrite(os.path.join(output_path, output_name), output_lq)  # 将处理后的图像保存为BMP格式的文件。