我想估计输入图像的噪声水平。
我制作了一些嘈杂的图像和原始图像的直方图，并将它们进行比较，然后通过查看图像两个不同阶段中的直方图，可以看出哪一个是有噪声的以及出现了哪种类型的噪声。 （说噪声，是指常见的噪声类型，例如高斯噪声，泊松噪声，斑点噪声等）
我想知道是否有一种方法可以检测噪声模型，然后根据图像直方图估算噪声水平（基于特定的噪声模型，例如针对高斯的std）？喜欢识别密度函数吗？或可能需要以空间域以外的其他形式输入任务，例如需要转换图像然后执行任务。
我使用的像素值变化非常小（例如渐变）的图像，然后我自己应用噪点来比较无噪和噪点图像的直方图。
编辑：为了清除，我知道您可以基于直方图来检测噪声。我正在寻找一种不会自己“视觉上”执行此操作的方法。我想检测噪声，也许还要检测密度函数，然后执行高斯或泊松或...的操作。
如果有人可以提供解决此问题的正确方法的提示，我将不胜感激。
最佳答案
一般来说，不可能通过分析直方图来确定噪声分布。因为，很难确定变化是由于图像纹理和光照变化还是噪声引起的。这是海滩沙子原始图像和嘈杂图像（高斯噪声）的直方图示例：
由于图像方差很大，并且本身具有高斯分布，因此噪声的确会稍微改变直方图。请注意，我们没有现实世界中的原始图像用于比较。
对于您的情况，如前所述，原始图像是平滑的，因此图像的方差很小。任何噪声都会大大增加方差，这在直方图中很明显。
所以对于问题的基本部分，
我想估计输入图像的噪声水平。
用于估计图像噪声的最简单技术是找到图像的最平滑部分，找到该部分的直方图，然后根据该部分估计整个图像的噪声分布。这是使用Opencv进行噪声估计的示例：
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('cameraman.bmp',0)
row, col = img.shape
gauss = np.random.normal(10,10,(row,col))
noisy = img + gauss
smooth_part = noisy[:30, :30]
plt.subplot(221),plt.imshow(noisy,cmap = 'gray')
plt.title('Noisy Image'), plt.xticks([]), plt.yticks([])
plt.subplot(222),plt.imshow(smooth_part,cmap = 'gray')
plt.title('Smooth Part'), plt.xticks([]), plt.yticks([])
plt.subplot(223),plt.hist(noisy.ravel(),256,[0,256])#; plt.show()
plt.title('Noisy Image Histogram'), plt.xticks([]), plt.yticks([])
plt.subplot(224),plt.hist(smooth_part.ravel(),256,[0,256])#; plt.show()
plt.title('Estimated Noise Distribution'), plt.xticks([]), plt.yticks([])
plt.show()
结果：
关于python - 基于直方图的图像噪声估计，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/57133157/