Шумоподавление путем объединения изображений на Java

Первым делом, я решил попробовать банальным способом совместить эти изображения в фотошопе, установив каждому из изображений прозрачность = 50%. Конечно, ничего хорошего из этого не вышло.

Конечно, ведь вы неправильно присваиваете вес. Чтобы добиться нужного результата, нижний слой должен иметь Opacity 100%, второй — 50%, третий — 33%, четвертый — 25%, пятый — 20%, и так далее, чтобы каждый новый слой имел равные права со всеми нижележащими.

Если принять гипотезу о том, что каждый отдельный пиксел матрицы даёт шум не на каждом снимке, то можно использовать банальный AND:

попиксельно сравнивать цвет на всех фото, принимая за истину тот, что встречается в большем числе снимков (можно ввести маленькую допустимую погрешность), а не усреднять с зашумлёнными кадрами.

Полагаю, наилучших результатов можно добиться, построив гистограмму цветов для каждого пикселя с разных фото. В качестве результата взять самый вероятный диапазон и усреднить цвет по попавшим в него пикселям. Причем по 7-10 фото уже можно будет избавиться даже от сильных шумов.

Еще этот способ называется «стэкинг», насколько мне известно есть две его разновидности:
1) Простое сложение снимков в «пачку», для уменьшения шумов.
2) Продвинутое восстановление изображения из исходников где объекты так или иначе изменялись. Например из за движения (Луна, Солнце) и атмосферной рефракции, заставляющей объекты менять видимую форму.
Второй способ применяют астрофотографы, собирая качественные снимки из длинных последовательностей кадров. И некоторые пейзажисты в т.ч. я, когда есть много времени, мало света, штатив и потребность получить «сверхчистые» в тенях и деталях снимки.

Еще этот алгоритм доступен в «фотошопе». File — scripts — statistics — median.

Если используется устойчивый штатив, не проще увеличить выдержку?

Для высококачественного шумоподавления статических изображений в последнее время применяют алгоритмы на основе «нелокального среднего» (Non-local means). Первым, кто предложил этот метод для шумоподавления изображений и видео в своей диссертации был Antoni Buades. Затем его стали использовать, например, в пакете dxo. Алгоритм сам по себе очень качественный, но его вычислительная сложность очень высокая, поэтому для обработки видеоданных в реальном времени он практически не годится даже со всеми оптимизациями.

Надо кстати заметить, что для того, чтобы качественно отделить сигнал от шума, необходима точная модель шума (зависимость уровня шума (СКО) от сигнала). Надёжная оценка шума — это тоже интересная и не простая задача. На эту тему написано много статей. Есть как параметрические, так и непараметрические (статистические, эвристические и т. п.) методы оценки шума. Имея точную модель и карту шума можно применять и фильтр Винера, он тоже будет неплохо работать.

Кстати по поводу ПО, есть такая программа Neat Image для качественного шумоподавления, работает даже лучше чем dxo. Разработкой занимается какой-то профессор сотоварищи.

удалить всех людей

Теперь то же самое, но наоборот — на матрице не оттирающееся полупрозрачное пятно, почти не видно, но есть на всех снимках до единого. Надо удалить.

Какой смысл несёт ваша программа? Вы часто видите субпиксельно совпадающие фотографии?
А алгоритм да, медианная фильтрация — один из самых базовых алгоритмов, расписанный на первых страницах любого учебника по обработке изображений.

Еще 10 лет назад таким образом получал «пустые» улицы городов, удаляя все машины. Потому что они уходит в «ошибку», как банан.
Только утром думал, что надо поднять старые скилы, и научить, наконец камеру телефона снимать сквозь грязные окна и вообще повышать эффективное разрешение матрицы.
Принципы одинаковые.

А разве HDR работает не сходным образом? Там вроде бы тоже смешивается несколько одинаковых изображений?

Интересная статья.
У меня были идеи написать ПО по изменению фокуса на фотографии (для этого, теоритически нужен только один четкий кадр) и увеличения разрешения снимка, типа, интерполяции (двигая камеру, или же вычисляя из нескольких снимков «недостающие» пиксели). Эти две идеи мне «навязывали» низкого качества камеры с малым разрешением и без фокуса, которых было достаточно, а стоимость высококачественных цыфровых камер была сравнима со стоимостью квартиры.

А что насчет шума? Тут тоже все отлично, хватило всего трех кадров, чтобы значительно его уменьшить

Извиняюсь, если уже было в комментариях, не читал.
Предлагаю очевидную идею. Если на обработанных кадрах остается шум, то это своего рода устойчивый, статический шум. Его можно вычислить и вычесть из финального изображения или серии исходных. Для вычисления картинки распределения статического шума делается несколько темновых кадров из которых таким же образом удаляется динамический шум.