EMD去噪的python代码

以下是一个简单的 Python 代码示例，演示如何使用 Earth Mover's Distance（EMD）去除图像中的噪声：

import cv2
import numpy as np

def emd_denoise(img, num_iter=10, num_bins=32, w1=0.5, w2=0.5):
    for i in range(num_iter):
        # 计算直方图
        hist = []
        for c in range(img.shape[2]):
            hist_c, _ = np.histogram(img[:, :, c], bins=num_bins, range=(0, 255))
            hist.append(hist_c)
        hist = np.array(hist).astype(np.float32)
        # 计算距离矩阵
        dist_mat = np.zeros((num_bins, num_bins)).astype(np.float32)
        for i in range(num_bins):
            for j in range(num_bins):
                dist_mat[i, j] = abs(i - j)
        # 进行 EMD 计算
        for c in range(img.shape[2]):
            img_c = img[:, :, c].astype(np.float32)
            f1 = cv2.EMD(hist[c], hist[c], dist_mat)
            img_denoised_c = cv2.EMD(hist[c], hist[c], dist_mat, img_c.flatten(), f1, w1, w2)
            img[:, :, c] = img_denoised_c.reshape((img.shape[0], img.shape[1]))
    return img

这个函数接受一个 RGB 图像和几个参数作为输入。其中，`num_iter` 指定需要执行 EMD 的迭代次数（默认为 10），`num_bins` 指定直方图中的 bin 数量（默认为 32），`w1` 和 `w2` 是 EMD 计算中的权重参数（默认都为 0.5）。

在函数中，我们首先计算图像的 RGB 直方图，并将其保存为一个数组。然后，我们创建一个距离矩阵，其中每个元素表示两个 bin 之间的距离。接下来，我们对于每个颜色通道，执行两次 EMD 计算：第一次计算一个初始的 flow（即 f1），第二次使用这个 flow 和权重参数来计算去噪后的图像。最后，我们将三个颜色通道的结果组合成一个 RGB 图像并返回。

请注意，这个函数只是一个简单的示例，实际效果可能会因输入图像和参数的不同而有所不同。