在python中自动删除图像中的热/死像素

我正在使用numpy和scipy处理用CCD相机拍摄的大量图像。这些图像有许多热（和死）像素，其值非常大（或很小）。这些会干扰其他图像处理，因此需要将其删除。不幸的是，尽管一些像素停留在0或255，并且在所有图像中始终处于相同的值，但仍有一些像素暂时停留在其他值上几分钟（数据跨越数小时）

我想知道是否有一种方法可以识别（和删除）python中已经实现的热点像素。如果没有，我想知道什么是一个有效的方法来这样做。通过与相邻像素进行比较，热/死像素相对容易识别。我可以看到写一个循环，查看每个像素，将其值与其8个最近邻的值进行比较。或者，使用某种卷积生成更平滑的图像，然后从包含热像素的图像中减去它，使它们更容易识别，这似乎更好

我在下面的代码中尝试过这种“模糊方法”，效果不错，但我怀疑它是否最快。此外，它在图像的边缘会变得混乱（可能是因为高斯滤波函数进行卷积，卷积在边缘附近变得奇怪）。那么，有没有更好的办法

示例代码：

import numpy as np
import matplotlib.pyplot as plt
import scipy.ndimage

plt.figure(figsize=(8,4))
ax1 = plt.subplot(121)
ax2 = plt.subplot(122)

#make a sample image
x = np.linspace(-5,5,200)
X,Y = np.meshgrid(x,x)
Z = 255*np.cos(np.sqrt(x**2 + Y**2))**2


for i in range(0,11):
    #Add some hot pixels
    Z[np.random.randint(low=0,high=199),np.random.randint(low=0,high=199)]= np.random.randint(low=200,high=255)
    #and dead pixels
    Z[np.random.randint(low=0,high=199),np.random.randint(low=0,high=199)]= np.random.randint(low=0,high=10)

#Then plot it
ax1.set_title('Raw data with hot pixels')
ax1.imshow(Z,interpolation='nearest',origin='lower')

#Now we try to find the hot pixels
blurred_Z = scipy.ndimage.gaussian_filter(Z, sigma=2)
difference = Z - blurred_Z

ax2.set_title('Difference with hot pixels identified')
ax2.imshow(difference,interpolation='nearest',origin='lower')

threshold = 15
hot_pixels = np.nonzero((difference>threshold) | (difference<-threshold))

#Don't include the hot pixels that we found near the edge:
count = 0
for y,x in zip(hot_pixels[0],hot_pixels[1]):
    if (x != 0) and (x != 199) and (y != 0) and (y != 199):
        ax2.plot(x,y,'ro')
        count += 1

print 'Detected %i hot/dead pixels out of 20.'%count
ax2.set_xlim(0,200); ax2.set_ylim(0,200)


plt.show()

将numpy导入为np
将matplotlib.pyplot作为plt导入
导入scipy.ndimage
plt.图（figsize=（8,4））
ax1=plt.子批次（121）
ax2=plt.子批次（122）
#制作一个样本图像
x=np.linspace（-5,5200）
十、 Y=np.meshgrid（X，X）
Z=255*np.cos（np.sqrt（x**2+Y**2））**2
对于范围（0,11）内的i：
#添加一些热像素
Z[np.random.randint（低=0，高=199），np.random.randint（低=0，高=199）]=np.random.randint（低=200，高=255）
#和死像素
Z[np.random.randint（低=0，高=199），np.random.randint（低=0，高=199）]=np.random.randint（低=0，高=10）
#然后画出来
ax1.set_title（'具有热像素的原始数据'）
ax1.imshow（Z，插值='最近'，原点='较低'）
#现在，我们试图找到热点像素
模糊的高斯滤波器（Z，sigma=2）
差=Z-模糊
ax2.set_title（'与识别的热像素的差异'）
ax2.imshow（差分、插值=‘最近’、原点=‘较低’）
阈值=15
热像素=np。非零（（差异>阈值）|（差异基本上，我认为处理热像素的最快方法就是使用大小=2的中值滤波器。然后，噗，你的热像素消失了，你还消除了相机中的其他各种高频传感器噪声

如果你真的只想删除热像素，那么替换你可以从原始图像中减去中值滤波器，就像我在问题中所做的那样，然后用中值滤波图像中的值只替换这些值。这在边缘不起作用，因此如果你可以忽略边缘的像素，那么这将使事情变得复杂容易多了

如果要处理边缘，可以使用下面的代码。但是，它不是最快的：

import numpy as np
import matplotlib.pyplot as plt
import scipy.ndimage

plt.figure(figsize=(10,5))
ax1 = plt.subplot(121)
ax2 = plt.subplot(122)

#make some sample data
x = np.linspace(-5,5,200)
X,Y = np.meshgrid(x,x)
Z = 100*np.cos(np.sqrt(x**2 + Y**2))**2 + 50

np.random.seed(1)
for i in range(0,11):
    #Add some hot pixels
    Z[np.random.randint(low=0,high=199),np.random.randint(low=0,high=199)]= np.random.randint(low=200,high=255)
    #and dead pixels
    Z[np.random.randint(low=0,high=199),np.random.randint(low=0,high=199)]= np.random.randint(low=0,high=10)

#And some hot pixels in the corners and edges
Z[0,0]   =255
Z[-1,-1] =255
Z[-1,0]  =255
Z[0,-1]  =255
Z[0,100] =255
Z[-1,100]=255
Z[100,0] =255
Z[100,-1]=255

#Then plot it
ax1.set_title('Raw data with hot pixels')
ax1.imshow(Z,interpolation='nearest',origin='lower')

def find_outlier_pixels(data,tolerance=3,worry_about_edges=True):
    #This function finds the hot or dead pixels in a 2D dataset. 
    #tolerance is the number of standard deviations used to cutoff the hot pixels
    #If you want to ignore the edges and greatly speed up the code, then set
    #worry_about_edges to False.
    #
    #The function returns a list of hot pixels and also an image with with hot pixels removed

    from scipy.ndimage import median_filter
    blurred = median_filter(Z, size=2)
    difference = data - blurred
    threshold = 10*np.std(difference)

    #find the hot pixels, but ignore the edges
    hot_pixels = np.nonzero((np.abs(difference[1:-1,1:-1])>threshold) )
    hot_pixels = np.array(hot_pixels) + 1 #because we ignored the first row and first column

    fixed_image = np.copy(data) #This is the image with the hot pixels removed
    for y,x in zip(hot_pixels[0],hot_pixels[1]):
        fixed_image[y,x]=blurred[y,x]

    if worry_about_edges == True:
        height,width = np.shape(data)

        ###Now get the pixels on the edges (but not the corners)###

        #left and right sides
        for index in range(1,height-1):
            #left side:
            med  = np.median(data[index-1:index+2,0:2])
            diff = np.abs(data[index,0] - med)
            if diff>threshold: 
                hot_pixels = np.hstack(( hot_pixels, [[index],[0]]  ))
                fixed_image[index,0] = med

            #right side:
            med  = np.median(data[index-1:index+2,-2:])
            diff = np.abs(data[index,-1] - med)
            if diff>threshold: 
                hot_pixels = np.hstack(( hot_pixels, [[index],[width-1]]  ))
                fixed_image[index,-1] = med

        #Then the top and bottom
        for index in range(1,width-1):
            #bottom:
            med  = np.median(data[0:2,index-1:index+2])
            diff = np.abs(data[0,index] - med)
            if diff>threshold: 
                hot_pixels = np.hstack(( hot_pixels, [[0],[index]]  ))
                fixed_image[0,index] = med

            #top:
            med  = np.median(data[-2:,index-1:index+2])
            diff = np.abs(data[-1,index] - med)
            if diff>threshold: 
                hot_pixels = np.hstack(( hot_pixels, [[height-1],[index]]  ))
                fixed_image[-1,index] = med

        ###Then the corners###

        #bottom left
        med  = np.median(data[0:2,0:2])
        diff = np.abs(data[0,0] - med)
        if diff>threshold: 
            hot_pixels = np.hstack(( hot_pixels, [[0],[0]]  ))
            fixed_image[0,0] = med

        #bottom right
        med  = np.median(data[0:2,-2:])
        diff = np.abs(data[0,-1] - med)
        if diff>threshold: 
            hot_pixels = np.hstack(( hot_pixels, [[0],[width-1]]  ))
            fixed_image[0,-1] = med

        #top left
        med  = np.median(data[-2:,0:2])
        diff = np.abs(data[-1,0] - med)
        if diff>threshold: 
            hot_pixels = np.hstack(( hot_pixels, [[height-1],[0]]  ))
            fixed_image[-1,0] = med

        #top right
        med  = np.median(data[-2:,-2:])
        diff = np.abs(data[-1,-1] - med)
        if diff>threshold: 
            hot_pixels = np.hstack(( hot_pixels, [[height-1],[width-1]]  ))
            fixed_image[-1,-1] = med

    return hot_pixels,fixed_image


hot_pixels,fixed_image = find_outlier_pixels(Z)

for y,x in zip(hot_pixels[0],hot_pixels[1]):
    ax1.plot(x,y,'ro',mfc='none',mec='r',ms=10)

ax1.set_xlim(0,200)
ax1.set_ylim(0,200)

ax2.set_title('Image with hot pixels removed')
ax2.imshow(fixed_image,interpolation='nearest',origin='lower',clim=(0,255))

plt.show()

输出：
尝试一种更简单的情况：使用中值滤波（例如，通过3x3模式）生成另一幅图像，并计算图像与滤波图像之间差值的绝对值。将原始图像的像素替换为该差值的较大值（例如，100）通过过滤值。阈值的值可以通过差异统计自动获得。@Eddy_Em，感谢您建议使用中值滤波器-这似乎比高斯滤波器更好。此外，我喜欢使用差异数组的统计信息设置阈值的想法。我试着取标准差，这是eemed工作正常。（我将阈值设置为标准偏差的5倍。）但是，我对你的建议感到困惑，你建议将差分数组的倍数添加到图像数组中。这有什么作用？哦，不：我只是说你搜索像素，通过一些阈值在差分数组中进行清理。好的，这就是我现在正在做的。这似乎与中值滤波器配合得很好。仍然存在边缘效应中值滤波器在边缘附近产生不同的结果，因此它使那里看起来有很多热像素。知道如何使它在边缘附近工作吗？目前，我只是忽略边缘，但这似乎是一个不雅观的解决方案。好问题！有很多天文学策略可用，例如，你能使用边缘mi吗此处出错，以避免复杂的棱角处理？即：
模糊=中值滤波器（图像数据，大小=2，mode=“mirror”）