如何根据原始图像和去噪图像得到噪声？
How to get the noise based on the original image and denoised image?
我在做降噪工作，对Python不是很熟悉。我应用了BM3D去噪后的图片，我也有原图
现在我想通过这样做来获得噪音：
tmp = img - img_denoised
但结果是这样一个非常奇怪的黑白图：
那么我怎样才能得到合适的噪点图片呢？我希望得到的是这样的图像：
编辑：
从网上找了一张图片，做了同样的处理。
处理后：
再次编辑：
提供一个简单的例子：
import cv2
img = cv2.imread("path of the original image")
img_denoised = cv2.imread("path of the denoised image")
tmp = img - img_denoised
cv2.imwrite("test_noise.jpg",tmp)
由于信息有限，很难确定问题所在。请提供输入图片和更多代码。
看起来结果图像是二进制位图，只有白色或黑色，没有灰色。您的 tmp 图像的像素格式可能不正确，这可能是由于您的 img 和 img_denoised 没有相同的像素格式，或者两者都是错误的。尝试显示您的输入图像，看看它们看起来是否正常。
你的img和img_denoised应该是相同的像素格式，可能是8位灰度，或者24位RGB，img-img_denoised之后的结果应该还是相同的像素格式.
也可能是因为它是无符号的，尝试让它有符号，或者对所有像素 + 128，看看发生了什么。
你的图像数据是什么type/range？ 0-1 还是 0-255？
如果你的图像是0-1 float32，噪声图像的数据范围是[-1, 1]，大约一半的像素在0以下，当被cv2.imshow()显示为“黑色".
尝试
noise = origin - clean
noise = (noise + 1) * 0.5
在您的示例代码中，img 和 img_denoised 都是 uint8 NumPy 数组。对这些数组进行操作时，输出的类型相同。这些运算都是以256为模的。当运算结果超过255时，回绕到0，结果为负数时，回绕到255。例如：
np.array([5], np.uint8) - np.array([10], np.uint8)
returnarray([251], dtype=uint8)。而不是 -5，它不能用 uint8 值表示，我们得到 256 - 5 = 251.
减法 img - img_denoised 导致一些值略高于零，看起来是黑色，而一些值刚好低于零，将存储为接近 255 的值，看起来是白色。
我们可以用不同的方式解决这个问题。一种是强制使用浮点值进行操作：
tmp = img.astype(float) - img_denoised.astype(float)
我们现在有一个浮点数数组，其中大约一半是负数。但是 JPEG 文件只能存储 uint8 值，将我们的浮点值转换为 uint8 将使我们回到起点。所以我们需要将原点（零值）移动到中间灰色（通常为 128）：
tmp = img.astype(float) - img_denoised.astype(float)
tmp += 128
cv2.imwrite("test_noise.jpg", tmp.astype(np.uint8))
这很繁琐，但确实有效。我更喜欢使用为我处理数据类型的库，这样我就不必在不想的时候考虑它们。 DIPlib就是这样一个库（免责声明：我是作者）：
import diplib as dip
img = dip.ImageRead("7yJS3.png")
img_denoised = dip.ImageRead("xjQIy.png")
tmp = img - img_denoised
tmp += 128
dip.ImageWrite(tmp, "test_noise.jpg")
在 DIPlib 中，除非我们明确阻止，否则算术运算会自动将图像提升为浮点类型。另存为 JPEG 时会自动将图像转换为 uint8（如果像素值超出 uint8 类型的范围，则会在此处发生错误）。
我在做降噪工作，对Python不是很熟悉。我应用了BM3D去噪后的图片，我也有原图
现在我想通过这样做来获得噪音：
tmp = img - img_denoised
但结果是这样一个非常奇怪的黑白图：
那么我怎样才能得到合适的噪点图片呢？我希望得到的是这样的图像：
编辑： 从网上找了一张图片，做了同样的处理。
处理后：
再次编辑：
提供一个简单的例子：
import cv2
img = cv2.imread("path of the original image")
img_denoised = cv2.imread("path of the denoised image")
tmp = img - img_denoised
cv2.imwrite("test_noise.jpg",tmp)
由于信息有限，很难确定问题所在。请提供输入图片和更多代码。
看起来结果图像是二进制位图，只有白色或黑色，没有灰色。您的 tmp 图像的像素格式可能不正确，这可能是由于您的 img 和 img_denoised 没有相同的像素格式，或者两者都是错误的。尝试显示您的输入图像，看看它们看起来是否正常。
你的img和img_denoised应该是相同的像素格式，可能是8位灰度，或者24位RGB，img-img_denoised之后的结果应该还是相同的像素格式.
也可能是因为它是无符号的，尝试让它有符号，或者对所有像素 + 128，看看发生了什么。
你的图像数据是什么type/range？ 0-1 还是 0-255？
如果你的图像是0-1 float32，噪声图像的数据范围是[-1, 1]，大约一半的像素在0以下，当被cv2.imshow()显示为“黑色".
尝试
noise = origin - clean
noise = (noise + 1) * 0.5
在您的示例代码中，img 和 img_denoised 都是 uint8 NumPy 数组。对这些数组进行操作时，输出的类型相同。这些运算都是以256为模的。当运算结果超过255时，回绕到0，结果为负数时，回绕到255。例如：
np.array([5], np.uint8) - np.array([10], np.uint8)
returnarray([251], dtype=uint8)。而不是 -5，它不能用 uint8 值表示，我们得到 256 - 5 = 251.
减法 img - img_denoised 导致一些值略高于零，看起来是黑色，而一些值刚好低于零，将存储为接近 255 的值，看起来是白色。
我们可以用不同的方式解决这个问题。一种是强制使用浮点值进行操作：
tmp = img.astype(float) - img_denoised.astype(float)
我们现在有一个浮点数数组，其中大约一半是负数。但是 JPEG 文件只能存储 uint8 值，将我们的浮点值转换为 uint8 将使我们回到起点。所以我们需要将原点（零值）移动到中间灰色（通常为 128）：
tmp = img.astype(float) - img_denoised.astype(float)
tmp += 128
cv2.imwrite("test_noise.jpg", tmp.astype(np.uint8))
这很繁琐，但确实有效。我更喜欢使用为我处理数据类型的库，这样我就不必在不想的时候考虑它们。 DIPlib就是这样一个库（免责声明：我是作者）：
import diplib as dip
img = dip.ImageRead("7yJS3.png")
img_denoised = dip.ImageRead("xjQIy.png")
tmp = img - img_denoised
tmp += 128
dip.ImageWrite(tmp, "test_noise.jpg")
在 DIPlib 中，除非我们明确阻止，否则算术运算会自动将图像提升为浮点类型。另存为 JPEG 时会自动将图像转换为 uint8（如果像素值超出 uint8 类型的范围，则会在此处发生错误）。