成都青白江网站建设,河北公司网站制作设计,有哪些建设网站公司,wordpress域名网站搬家最近#xff0c;人们投入了大量精力开发新颖的图像处理技术。其中许多技术都源自于傅里叶和小波变换等数字信号处理方法。
这些技术不仅使得各种图像处理技术如降噪、锐化和动态范围扩展成为可能#xff0c;而且还使得计算机视觉中使用的许多技术如边缘检测、目标检测等成为…最近人们投入了大量精力开发新颖的图像处理技术。其中许多技术都源自于傅里叶和小波变换等数字信号处理方法。
这些技术不仅使得各种图像处理技术如降噪、锐化和动态范围扩展成为可能而且还使得计算机视觉中使用的许多技术如边缘检测、目标检测等成为可能。
多尺度分析是相对较新的技术之一已经在广泛的应用中得到采用特别是在天文图像和数据处理应用中。这种基于小波变换的技术允许我们将数据分解为多个信号所有这些信号加在一起形成最终信号。
然后我们可以对这些单独的子信号进行处理或分析工作从而能够进行有针对性的操作而不影响其他子信号。
在本文中我们首先将通过一种特定的算法来探讨这种技术的本质。然后我们将进一步看看如何在Rust编程语言中实现我们在第一部分讨论的内容并重新创建文章前半部分中所看到的示例。
本文视频讲解java567.com
阅读之前
第一部分的先决条件
所描述的技术源自于“小波变换”的概念。你不需要对它了解得很深但基本的了解会帮助你更好地理解材料。
由于本文集中于图像处理和分析了解数字格式中像素是如何工作的基本知识是有帮助的但不是必需的。
第二部分的先决条件
在这里我们专注于使用Rust编程语言实现算法而不深入探讨语言本身的细节。因此需要熟悉编写Rust程序并且能够阅读crate文档。
如果这不适用于你你仍然可以阅读第一部分并学习这种技术然后也许你会想尝试在你选择的语言中使用它。如果你不熟悉Rust我强烈建议你学习基础知识。这里有一个可以让你入门的交互式Rust课程。
目录
第一部分理解多尺度处理技术和算法 什么是多尺度图像处理À Trous小波变换缩放函数每个尺度的卷积像素处理边界条件计算任意给定图像的最大可能尺度总结说明 第二部分如何在 Rust 中实现 À Trous 变换 先决条件À Trous 变换迭代器和 À Trous 变换卷积实现迭代器重组使用 À Trous 变换进一步阅读 总结
第一部分理解多尺度处理技术和算法
当我们谈论对某些数据进行多尺度处理或分析时我们指的是什么嗯我们通常是指将输入数据分解为多个信号每个信号代表特定尺度的信息。
在图像分析中尺度简单地指的是我们在任何给定时间内所观察到的结构的大小。它忽略了当前尺度之外的所有东西无论是更小还是更大的。
什么是多尺度图像处理
对于图像“尺度”通常指图像中各种结构或细节的像素大小。通过以下示例你将能够直观地理解
梅西耶33号又称三角座星系
假设我们的朴素理解是正确的我们可以至少得到以下3个尺度的图像
非常小的结构通常是单个像素的大小。这一层当与图像的其余部分分离时主要只包含噪声和一些尖锐的星星。较小的结构通常几个像素大小。这一层当分离时将包含所有的星星和星系臂中非常细微的细节。大型和非常大型的结构通常是100个像素以上。这一层当分离时将包含星系中心的一般大小和形状。
现在问题变成了为什么我们需要一开始就做所有这些呢
答案很简单它使我们能够对图像进行有针对性的增强和改变。
例如对整体图像进行降噪通常会导致星系的清晰度降低。但由于我们已经将图像分解为多个尺度我们可以轻松地将降噪应用于前几层因为大多数易于去除的随机噪声仅存在于较低尺度的层中。
然后我们将降噪后的低尺度层与未修改的大尺度层重新组合我们就得到了一个输出它在降噪的同时保持了质量。
噪声的另一个奇特之处在于它几乎总是存在于这些层中的一个使得降噪过程既简单又非破坏性。
如果你更喜欢以视觉方式学习让我们通过使用上面使用的图像来实践。我们将使用以下这张图像的灰度版本我也添加了随机高斯噪声
梅西耶33号 AKA 三角座星系转换为灰度并添加高斯噪声
对该图像执行基于尺度的层分离我们得到以下结果。请注意为了展示目的结果已经重新调整到一个范围以便可以将其视为图像。实际的变换生成的像素值在单独查看时没有意义但是本教程中描述的所有技术和计算仍然可以安全地应用而不需要重新调整。重新组合过程会自动给我们返回正确的范围
9级 À Trous 分解。从左上到右下我们有以下像素尺度的图像1、2、4、8、16、32、64、128、2562的幂
第一层和第二层包含噪声和星星。在这个特定的示例中噪声与星星混在一起。但是使用第一层和第二层我们可以轻松地针对不在第二层中的区域进行定位因为我们可以确信这些区域是第一层中存在噪声的地方。对于第三层我们仍然可以看到星星残余的亮度。但是如果你仔细观察你会发现星系臂开始非常微弱地出现。从第四层开始我们看到星系在不同尺度和细节级别上的图像完全不包含星星。我们从更细微的细节相对较小的尺度细节开始并逐渐转移到越来越大的尺度样本。最后我们只能看到星系曾经所在的一个模糊的形状。
从这里开始我们可以选择性地将降噪应用于前两层。然后我们重新组合所有层以创建以下图像该图像几乎没有噪声同时保留了星星和星系臂中相同数量的细节
梅西耶33号 AKA 三角座星系重新组合所有层但对像素尺度1和2的层应用了降噪处理
在其最基本的形式中多尺度分析涉及将您的源图像通常称为“信号”分解为多个“信号” – 每个信号包含源信号中特定尺度的数据。
在这里谈论图像信号时尺度指的是我们从源图像创建层时采取的相邻像素之间的距离。
在实践中这种技术被用作各种天文数据分析和图像处理的第一步。
例如你可以使用该技术更容易地检测星星的位置同时忽略比以其他方式更容易的大型结构。
À Trous 小波变换
我之前向你展示的所有内容以及你将在本教程中看到的所有内容都是使用小波分解和重组使用 À Trous 算法进行的离散小波变换。
这个算法多年来一直被用于各种应用。但是它最近在天文图像处理应用中变得尤为重要其中图像中的不同对象和信号可以完全基于结构尺度进行分离。
以下是该算法的工作原理
我们从源图像输入和分解为n级别的开始。对于每个级别n 我们使用我们的缩放函数对图像进行卷积稍后我们会看到这是什么其中相邻像素被认为相距 2n 个单位给出结果 resultn。这就是“À Trous”名称的由来字面上翻译为“带有孔洞”。然后使用 input - resultn 计算出层输出 outputn。然后更新 input 等于 resultn。这也称为残差数据它作为下一层的源数据。 重复上述步骤直到所有级别完成。最后我们有9个小波层和1个残差层。所有10个层都需要用于重组。
对于更多理解这个算法的数学方法我鼓励你阅读关于 à trous 算法的这里 。
重组过程非常简单我们只需要将所有10层相加即可。我们可以选择对任何层应用正或负的 偏差这是一个在重组期间乘以该层像素值的因子。您可以使用它来增强或减弱特定层的特征。
缩放函数
缩放函数是特定的卷积核可以帮助我们更好地表示特定尺度的数据根据我们的用例。以下是3种最常用的缩放函数
梅西耶33号 AKA 三角座星系的图像的第3级分解可视化的 À Trous 算法中最常用的3种缩放函数。
B3样条是一个非常平滑的核。它主要用于单独处理大型结构。如果我们想要锐化我们的星系我们将使用这个核心。低尺度是一个非常尖锐的核心最适合处理小尺度结构。线性插值核心给了我们两全其美因此在需要处理小尺度和大尺度结构时使用。这是我们之前所有示例中使用的方法。
在每个尺度上的卷积像素
在算法中我提到在每个尺度上图像中的像素被认为相距2n个单位。让我们试着通过以下可视化更好地理解这一点
考虑以下8像素乘以8像素的图像。每个像素都标有从1到64的索引这是它们的索引。
一个8x8像素图像的代表性像素网格
在这个例子中我们只关注一个中心像素的卷积操作假设是像素编号28。
尺度 0 在尺度0上2n的值变为1。这意味着在卷积中我们将考虑距离我们目标中心像素1个单位的像素。下面突出显示了这些像素
在尺度0上突出显示了像素编号28的卷积像素
尺度 1 这是有趣的地方。在尺度1上2n的值变为2。这意味着在卷积中我们将直接跳到距离目标像素2个位置的像素
在尺度1上突出显示了像素编号28的卷积像素
正如你所看到的我们通过跳过2n - 1个相邻像素并选择第2n个像素在计算目标像素的值时创建了“孔洞”。这就是算法的基础。
这个过程对图像中的每个像素都会重复进行就像常规的卷积过程一样。每次我们都会考虑像素之间的距离随着尺度增加而增加。
让我们再看一个尺度。
尺度 2 这里更加有趣。在尺度2上2n的值变为4。这意味着在卷积中我们将直接跳到距离目标像素4个位置的像素
在尺度2上突出显示了像素编号28的卷积像素
等等为什么我们选择像素1、4、8、25和571和4之间只相距3个位置25只相距2个位置8和57甚至与目标像素不对角对齐。发生了什么
处理边界条件
正如我们提到的这个过程适用于图像中的所有像素我们还需要考虑卷积像素的位置是否位于图像之外。
这不是这个算法独有的概念。在卷积过程中这被称为边界条件或处理边界像素。有各种各样的技术来处理这个问题它们都涉及到虚拟地扩展图像以使得我们似乎根本没有遇到边界。
一些技术包括
根据需要扩展通过复制最后一行/列的值在所有边缘和角落镜像图像在边缘周围包裹图像。
在我们的例子中我们采用了“镜像”技术。当实现这样的算法时我们不需要实际创建扩展的图像。任何边界处理都可以使用基本的数学公式来实现。
我们的扩展图像在尺度2中选择了正确的像素如下所示
使用镜像技术在所有边缘和角落扩展的源图像。所有淡化的区域代表了扩展区域。
再次强调扩展仅仅是逻辑上的完全使用公式计算而不是实际扩展源图像然后检查。我们可以很容易地看到在放置了镜像图像后我们仍然遵循选择相距2n个位置的像素的基本规则。
计算任何给定图像的最大可能尺度
仔细思考一下你会发现图像可以分解的最大层数可以通过计算图像宽度或高度较低者的log2并且丢弃小数部分来计算。
对于我们的5x5图像log2(5) ~ 2.32。如果我们丢弃小数部分那么剩下的就是2层。同样对于一个1000x1000像素的图像log21000 ~ 9.96这意味着我们可以将一个1000x1000像素的图像分解成最多9层。这简单地意味着我们的“孔洞”不能大于图像的宽度或高度。
即使使用了上面所述的镜像扩展如果孔洞大于图像的宽度它们仍将位于扩展区域之外特别是对于角落或边界像素这将使得在该尺度上执行卷积变得不可能。
总结说明
再仔细考虑一下这些示例和可视化你可以清楚地看到为什么这个算法起作用以及它是如何根据结构的尺寸将图像中的结构分离出来的。逐渐增加的孔洞尺寸使得在任何给定层中只保留比孔洞本身大的结构。
使用这个算法的一个重要优点是计算成本。由于这不涉及傅立叶或小波变换
相对而言计算成本很低。然而内存成本确实较高。但往往这是一个很好的权衡。
与其他离散小波变换算法相比当源图像的大小在整个过程中保持不变时这个算法的另一个优点是。这里没有发生降采样或上采样使得这个算法成为理解和实现最容易的算法之一。
这个算法在几乎所有的天文图像处理软件中都得到了使用比如PixInsight等等。
这个算法也以其他名称而闻名如Stationary Wavelet Transform和Starlet Transform。
第二部分如何在 Rust 中实现 À Trous 变换
现在我将向你展示如何在 Rust 中实现这个算法。
在本教程中我将假设你对 Rust 及其基本概念如数据类型、迭代器和特性相当熟悉并且能够轻松编写使用这些概念的程序。
我还将假设你了解在这个上下文中卷积和卷积核的含义。
先决条件
我们需要一些依赖项。在我们开始之前让我们快速创建一个新项目
cargo new --lib atrous-rs
cd atrous-rs现在让我们添加我们需要的所有依赖项。我们实际上只需要 2 个
cargo add image ndarrayimage 是一个 Rust 库我们将使用它来处理所有标准格式和编码的图像。它还可以帮助我们在各种格式之间进行转换并提供对像素数据的轻松访问。
ndarray 是一个 Rust 库它可以帮助你创建、操作和处理二维、三维或多维数组。我们可以使用嵌套的向量但在这种情况下使用像 ndarray 这样的项目更好因为我们需要对单个值以及它们的相邻值执行许多操作。不仅使用 ndarray 更容易而且对许多操作和 CPU 类型也进行了性能优化。
虽然我将涵盖我们从这些 crate 中使用的基本函数/特性/方法/数据类型但我不打算为它们详细说明。我建议你阅读文档。
我们实际上将直接跳到算法实现并稍后回来看如何使用它。
À Trous 变换
创建一个新文件来保存我们的实现。让我们把它命名为 transform.rs。
首先添加以下结构体它将保存我们执行变换所需的信息
// transform.rsuse ndarray::Array2;pub struct ATrousTransform {input: Array2f32, // Array2f32 是一个二维数组每个值都是 f32 类型。这将保存我们输入图像的像素数据。levels: usize, // 将图像分解为的级别或尺度的数量current_level: usize, // 我们需要生成的当前级别。这保存了我们迭代器的状态。width: usize, // 输入图像的宽度height: usize, // 输入图像的高度
}我们还需要一种轻松创建此结构的方法。在我们的情况下我们希望能够直接从输入图像创建它。此外输入图像可以是任何受支持的格式和编码但我们希望将图像转换为我们期望的一致的颜色类型以执行计算因此我们还需要将图像转换为我们期望的格式。
使用 Rust 中的“构造函数”模式将所有这些逻辑提取到一起是有帮助的。让我们实现它
// transform.rsuse image::GenericImageView;impl ATrousTransform {pub fn new(input: image::DynamicImage, levels: usize) - Self {let (width, height) input.dimensions();let (width, height) (width as usize, height as usize);// 创建一个新的二维数组用于保存所有输入像素数据的适当大小的每个维度。方法 zeros 接受一个“形状”参数这是一个元组 (行数列数)。let mut data Array2::f32::zeros((height, width));// 将图像转换为灰度图像其中每个像素值都是 f32 类型。循环遍历输入图像中的所有像素以及其二维位置。for (x, y, pixel) in input.to_luma32f().enumerate_pixels() {// 将像素值放置在我们的数据数组中适当的位置。使用 [[]] 语法提供二维索引例如 [[行索引列索引]]。data[[y as usize, x as usize]] pixel.0[0];}Self {input: data,levels,current_level: 0,width,height}}
}这将负责将图像转换为灰度图像并将像素值转换为 f32。如果你还不知道对于具有浮点像素值的图像值始终被归一化。这意味着它们始终在 0 和 1 之间——0 表示黑色1 表示白色。
迭代器和 À Trous 变换
在继续之前让我们思考一下算法。我们需要能够生成逐渐增加的尺度的图像直到达到我们需要的最大级别。
我们希望我们库的使用者能够访问所有这些尺度并能够对它们进行操作也可以轻松地在完成后重新组合它们。他们需要能够过滤层以忽略特定尺度的结构操纵或“映射”它们以更改其特征在它们上执行操作甚至存储每个图像如果需要的话。
这听起来很像迭代器迭代器为我们提供了诸如 filter、skip、take、map、for_each 等方法所有这些方法都是我们在重新组合之前使用的所有方法。
迭代器的一个额外优点是它允许您在转移到下一个之前完全完成每个层的处理。如果你不确定这是为什么我建议你关于在 Rust 中使用迭代器处理一系列项目的内容。
我们将为我们的 ATrousTransform 类型实现 Iterator 特性它应该为每次迭代产生一个波纹层作为输出。
我们将首先实现算法的最内部部分然后再从那里构建出来。因此我们首先需要一种方法即在我们的循环中的第一步中使用缩放函数对输入数据缓冲区进行卷积并确保相邻像素的间隔为 2n 位置这是我们循环的第一步。
卷积
在我们做任何其他事情之前我们需要定义我们的卷积核。创建一个名为 kernel.rs 的新文件并将其添加到 lib.rs 中其中包含以下内容
// kernel.rs#[derive(Copy, Clone)]
pub struct LinearInterpolationKernel {values: [[f32; 3]; 3]
}impl Default for LinearInterpolationKernel {fn default() - Self {Self {values: [[1. / 16., 1. / 8., 1. / 16.],[1. / 8., 1. / 4., 1. / 8.],[1. / 16., 1. / 8., 1. / 16.],]}}
}我们使用结构体而不是常量数组的数组来定义它因为我们需要在它上面定义一些与索引处理相关的小方法。我们稍后会回到这一点。
创建另一个文件 convolve.rs。这里将放置处理单个像素的卷积的所有代码。我们将定义一个 Convolution 特性该特性将定义执行每个像素上的卷积所需的方法。
// convolve.rspub trait Convolution {fn compute_pixel_index(self,distance: usize,kernel_index: [isize; 2],target_pixel_index: [usize; 2]) - [usize; 2];fn compute_convoluted_pixel(self, distance: usize, index: [usize; 2]) - f32;
}你可能会问为什么我们需要一个特性而不是一个简单的 impl 块。在本文中我们只使用灰度图像但你可能也想扩展它以实现 RGB 或其他颜色模式。
现在你需要为你的 ATrousTransform 结构实现此特性
// convolve.rsimpl Convolution for ATrousTransform {fn compute_pixel_index(self, distance: usize, kernel_index: [isize; 2], target_pixel_index: [usize; 2]) - [usize; 2] {let [kernel_index_x, kernel_index_y] kernel_index;// 通过将它们的相对位置与孔的大小相乘来计算相邻像素的实际距离。let x_distance kernel_index_x * distance as isize;let y_distance kernel_index_y * distance as isize;let [x, y] target_pixel_index;// 根据当前像素的索引计算 2D 图像中相邻像素的索引。let mut x x as isize x_distance;let mut y y as isize y_distance;// 如果 x 索引超出边界将 x 视为最近的边界位置if x 0 {x 0;} else if x self.width as isize - 1 {x self.width as isize - 1;}// 如果 y 索引超出边界将 y 视为最近的边界位置if y 0 {y 0;} else if y self.height as isize - 1 {y self.height as isize - 1;}// 像素的最终 2D 索引。[y as usize, x as usize]}fn compute_convoluted_pixel(self, distance: usize, [x, y]: [usize; 2]) - f32 {// 创建一个新变量来保存当前像素的卷积结果。let mut pixels_sum 0.0;let kernel LinearInterpolationKernel::default();// 遍历从中心像素到相对位置的像素的相对位置以执行卷积。for kernel_index_x in -1..1 {for kernel_index_y in -1..1 {// 获取映射到内核中当前位置的计算像素位置let pixel_index self.compute_pixel_index(distance,[kernel_index_x, kernel_index_y],[x, y]);// 获取该位置的乘法因子内核值来自内核。let kernel_value kernel.value_from_relative_index(kernel_index_x,kernel_index_y);// 将像素值与内核缩放因子相乘并将其添加到像素总和中。pixels_sum kernel_value * self.input[pixel_index];}}// 从卷积过程中返回计算像素的值。pixels_sum}
}我们需要进行计算以根据内核中的相对位置从中心像素计算出每个像素的位置同时确保最终像素索引也考虑了“孔大小”。正如你可能注意到的当计算索引时你还要处理边界条件。
我建议你花些时间仔细阅读代码和注释。
实现迭代器
终于到了为你的 ATrousTransform 实现 Iterator 特性的时候了
// transform.rsimpl Iterator for ATrousTransform {// 我们的输出也是一个图像以及每次迭代的当前级别。当前级别是一个 Option用于表示中间层生成后的最终残差层。type Item (Array2::f32, Optionusize);fn next(mut self) - OptionSelf::Item {let pixel_scale self.current_level;self.current_level 1;// 我们已经生成了所有的层。返回 None 以退出迭代器。if pixel_scale self.levels {return None;}// 我们已经生成了所有中间层返回残差层。if pixel_scale self.levels {return Some((self.input.clone(), None))}let (width, height) (self.width, self.height);// 像素之间的卷积距离也称为“孔”的大小。let distance 2_usize.pow(pixel_scale as u32);// 创建一个新的缓冲区来保存此层的计算数据。let mut current_data Array2::f32::zeros((height, width));// 遍历 2D 图像中的每个像素位置for x in 0..width {for y in 0..height {// 将当前层中的当前像素设置为在输入数据中的当前像素上进行卷积的结果。current_data[[y, x]] self.compute_convoluted_pixel(distance, [x, y]);}}// 通过从先前层中减去当前计算的像素来创建当前层let final_data self.input.clone() - current_data;// 将输入层设置为等于当前计算的层以便在下一次迭代中将其用作“上一层”。这也是每个层的残差数据。self.input current_data;// 返回当前层数据以及当前级别信息。Some((final_data, Some(self.current_level)))}
}我要指出这里有很多优化性能的潜力但这超出了本文的范围。
最后我们将看看如何将所有这些层组合起来并重构我们的输入图像。
重组
正如我之前所说的重构通过 A Trous 变换分解的图像就像将所有层相加一样简单。
我们将为此定义一个特性。一旦查看了实现为什么我们需要一个特性就会变得清楚。
创建一个名为 recompose.rs 的新文件其中包含以下内容
// recompose.rsuse image::{DynamicImage, ImageBuffer, Luma};
use ndarray::Array2;pub trait RecomposableLayers: IteratorItem (Array2f32, Optionusize) {fn recompose_into_image(self,width: usize,height: usize,) - DynamicImagewhereSelf: Sized,{// 创建一个结果缓冲区来保存我们输出图像的像素数据。let mut result Array2::f32::zeros((height, width));// 对于每一层将层数据添加到结果缓冲区的当前值中。for layer in self {result layer.0;}// 计算最终数据中的最小和最大像素强度值以便我们可以执行“重新缩放”将所有像素值规范化为 0 到 1 的范围这是浮点 32 图像所期望的。let min_pixel result.iter().copied().reduce(f32::min).unwrap();let max_pixel result.iter().copied().reduce(f32::max).unwrap();// 创建一个新的 ImageBuffer这是 image 包提供的一种类型用于作为图像的像素数据缓冲区。在这里我们正在创建一个新的 Luma ImageBuffer其像素值类型为 u16。Luma 只是指灰度。let mut result_img: ImageBufferLumau16, Vecu16 ImageBuffer::new(width as u32, height as u32);// 预先计算缩放计算的分母以便我们不必为每次迭代重复这个过程。let rescale_ratio max_pixel - min_pixel;// 遍历 ImageBuffer 中的所有像素并根据 result 缓冲区中的数据填充它然后重新缩放值。for (x, y, pixel) in result_img.enumerate_pixels_mut() {let intensity result[(y as usize, x as usize)];*pixel Luma([((intensity - min_pixel) / rescale_ratio * u16::MAX as f32) as u16]);}// 将 ImageBuffer 转换为 DynamicImage 并返回它DynamicImage::ImageLuma16(result_img)}
}// 为任何实现了具有给定项目类型的 Iterator 特性的东西实现这个特性
implT RecomposableLayers for T where T: IteratorItem (Array2f32, Optionusize) {}如果你没有注意到由于我们为一个泛型实现了这个特性这将适用于任何迭代器比如 Filter、Map 等。如果你没有在这里使用一个特性你将不得不为每个内置迭代器类型都重复实现相同的东西而且你的代码将无法与第三方类型一起工作。
使用 A Trous 变换
经过这一切终于到了我们来复制我之前展示的用于带有大量噪声的星系图像的处理的时候了。创建一个名为 main.rs 的新文件其中包含以下内容
use image::{DynamicImage, ImageBuffer, Luma};
use atrous::recompose::RecomposableLayers;
use atrous::transform::ATrousTransform;fn main() {// 打开我们带噪声的图像let image image::open(m33-noise-lum.jpg).unwrap();// 使用 9 个层创建一个新的变换实例let transform ATrousTransform::new(image, 9);// 对每个层进行映射transform.map(|(mut buffer, pixel_scale)| {// 创建一个新的图像缓冲区来保存像素数据。这将从该层的原始缓冲区中填充。let mut new_buffer ImageBuffer::Lumau16, Vecu16::new(buffer.ncols() as u32, buffer.nrows() as u32);// 遍历 ImageBuffer 的所有像素以填充它。我们还将从 f32 像素转换为 u16 像素。for (x, y, pixel) in new_buffer.enumerate_pixels_mut() {*pixel Luma([(buffer[[y as usize, x as usize]] * u16::MAX as f32) as u16])}// 如果当前层是一个小尺度层 3执行去噪声处理if pixel_scale.is_some_and(|scale| scale 3) {let mut image DynamicImage::ImageLuma16(new_buffer).to_luma8();// 双边滤波是一种去噪滤波器。将其应用到图像上。image imageproc::filter::bilateral_filter(image, 10, 10., 3.);// 修改原始缓冲区以包含过滤后的像素值for (x, y, pixel) in image.enumerate_pixels() {buffer[[y as usize, x as usize]] pixel.0[0] as f32 / u8::MAX as f32;}// 返回更新后的缓冲区。(buffer, pixel_scale)} else {// 对于较大尺度的层返回未修改的缓冲区。(buffer, pixel_scale)}})// 在迭代器上调用重组方法.recompose_into_image(image.width() as usize, image.height() as usize)// 将输出转换为 8 位灰度图像.to_luma8()// 将其保存到 jpg 文件中.save(noise-reduced.jpg).unwrap()
}你还需要添加一个新的依赖项 imageproc它在 image 包的基础上提供了有用的图像处理实现。
cargo add imageproc为了使其工作我们还需要修改我们的 Cargo.toml明确定义二进制和库目标
// Cargo.toml[package]
name atrous-rs
version 0.1.0
edition 2021[[bin]]
name atrous
path src/main.rs[lib]
name atrous
path src/lib.rs# See more keys and their definitions at https://doc.rust-lang.org/cargo/reference/manifest.html[dependencies]
image 0.25.1
imageproc 0.24.0
ndarray 0.15.6你可以从这里下载测试图像。将它移动到项目的根目录并运行 cargo run --release。完成后你应该会得到一个名为 noise-reduced.jpg 的新文件作为我们处理的输出。
就是这样了。
进一步阅读
这些资源在我学习这个算法以及如何使用它时非常有帮助。我强烈鼓励任何想要更深入了解算法的人查看这些资源。
À trous 算法À Trous 离散小波变换在 PixInsight 中的应用《天文图像与数据分析》作者Jean-Luc Starck 和 Fionn Murtagh《稀疏图像和信号处理小波及相关几何多尺度分析》作者J.L. Starck、F. Murtagh 和 J. Fadili
此外我还创建了一个用于处理 À Trous 变换的 Rust 库。它与我在这里展示的内容非常接近但已经实现了一些额外的功能并将有更多功能。
例如处理 RGB 图像和使用所有 3 种不同核心已经实现。它还具有更好的逻辑来处理边界条件其中使用图像折叠技术。
我很快还将致力于对其进行性能改进。
总结
希望你喜欢迄今为止的旅程。如果图像处理技术或其在 Rust 中的实现是你感兴趣的内容那么请继续关注更多因为这些是我喜欢写作的主题。
本文视频讲解java567.com
