作者介绍
张伟伟,男,西安工程大学电子信息学院,2019级硕士研究生,张宏伟人工智能课题组。
研究方向:机器视觉与人工智能。
电子邮件:[email protected]
内容简介
展示如何给图像叠加不同等级的椒盐噪声和高斯噪声的代码,相应的叠加噪声的已编为对应的类,可实例化使用。以下主要展示自己编写的:
加噪声的代码(高斯噪声,椒盐噪声…)
后续会补充加随机像素缺失、加大的mask的代码
add_noise.py
#代码中的noisef为信号等级,例如我需要0.7的噪声,传入参数我传入的是1-0.7
from PIL import Image
import numpy as np
import random
import torchvision.transforms as transforms
norm_mean = (0.5, 0.5, 0.5)
norm_std = (0.5, 0.5, 0.5)
class AddPepperNoise(object):
"""增加椒盐噪声
Args:
snr (float): Signal Noise Rate
p (float): 概率值,依概率执行该操作
"""
def __init__(self, snr, p=0.9):
assert isinstance(snr, float) and (isinstance(p, float)) # 2020 07 26 or --> and
self.snr = snr
self.p = p
def __call__(self, img):
"""
Args:
img (PIL Image): PIL Image
Returns:
PIL Image: PIL image.
"""
if random.uniform(0, 1) < self.p:
img_ = np.array(img).copy()
h, w, c = img_.shape
signal_pct = self.snr
noise_pct = (1 - self.snr)
mask = np.random.choice((0, 1, 2), size=(h, w, 1), p=[signal_pct, noise_pct/2., noise_pct/2.])
mask = np.repeat(mask, c, axis=2)
img_[mask == 1] = 255 # 盐噪声
img_[mask == 2] = 0 # 椒噪声
return Image.fromarray(img_.astype('uint8')).convert('RGB')
else:
return img
class Gaussian_noise(object):
"""增加高斯噪声
此函数用将产生的高斯噪声加到图片上
传入:
img : 原图
mean : 均值
sigma : 标准差
返回:
gaussian_out : 噪声处理后的图片
"""
def __init__(self, mean, sigma):
self.mean = mean
self.sigma = sigma
def __call__(self, img):
"""
Args:
img (PIL Image): PIL Image
Returns:
PIL Image: PIL image.
"""
# 将图片灰度标准化
img_ = np.array(img).copy()
img_ = img_ / 255.0
# 产生高斯 noise
noise = np.random.normal(self.mean, self.sigma, img_.shape)
# 将噪声和图片叠加
gaussian_out = img_ + noise
# 将超过 1 的置 1,低于 0 的置 0
gaussian_out = np.clip(gaussian_out, 0, 1)
# 将图片灰度范围的恢复为 0-255
gaussian_out = np.uint8(gaussian_out*255)
# 将噪声范围搞为 0-255
# noise = np.uint8(noise*255)
return Image.fromarray(gaussian_out).convert('RGB')
def image_transform(noisef):
"""对训练集和测试集的图片作预处理转换
train_transform:加噪图
_train_transform:原图(不加噪)
test_transform:测试图(不加噪)
"""
train_transform = transforms.Compose([
transforms.Resize((256, 256)), # 重设大小
#transforms.RandomCrop(32,padding=4),
AddPepperNoise(noisef, p=0.9), #加椒盐噪声
#Gaussian_noise(0, noisef), # 加高斯噪声
transforms.ToTensor(), # 转换为张量
# transforms.Normalize(norm_mean,norm_std),
])
_train_transform = transforms.Compose([
transforms.Resize((256, 256)),
#transforms.RandomCrop(32,padding=4),
transforms.ToTensor(),
# transforms.Normalize(norm_mean,norm_std),
])
test_transform = transforms.Compose([
transforms.Resize((256, 256)),
#transforms.RandomCrop(32,padding=4),
transforms.ToTensor(),
# transforms.Normalize(norm_mean,norm_std),
])
return train_transform, _train_transform, test_transform
在pytorch中如何使用
# 图像变换和加噪声train_transform为加噪图,_train_transform为原图,test_transform为测试图 noisef为传入的噪声等级
train_transform,_train_transform,test_transform = image_transform(noisef)
training_data=FabricDataset_file(data_dir=train_dir,transform=train_transform)
_training_data=FabricDataset_file(data_dir=_train_dir,transform=_train_transform)
testing_data=FabricDataset_file(data_dir=test_dir,transform=test_transform)
欢迎点赞收藏和关注哈!