python数字图像处理---噪声的应用

　　数字图像的随机噪声在图像处理中有着重要的位置，今天用到了，就回顾一下。做个总结。

　　随机噪声很多种，最常用的一般有两种，高斯噪声和椒盐噪声，下面我们就针对这两种噪声做个科普。

高斯噪声：高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声与椒盐噪声相似（Salt And Pepper Noise），高斯噪声（gauss noise）也是数字图像的一个常见噪声。椒盐噪声是出现在随机位置、噪点深度基本固定的噪声，高斯噪声与其相反，是几乎每个点上都出现噪声、噪点深度随机的噪声。

正如上面的简介我们只要实现一个随机矩阵，矩阵中值总体来说符合高斯分布，与原图像想加，就可以实现高斯噪声了，python中的random提供了产生高斯随机数的方法，但是numpy提供了直接生成随机高斯矩阵的方法。

我们这里使用numpy即可

gauss = np.random.normal(mean,sigma,(row,col,ch))
因此我们可以得出产生高斯噪声的方式

def GaussieNoisy(image,sigma):
    row,col,ch= image.shape
    mean = 0
    gauss = np.random.normal(mean,sigma,(row,col,ch))
    gauss = gauss.reshape(row,col,ch)
    noisy = image + gauss
    return noisy.astype(np.uint8)

　　图像结果：

椒盐噪声：相比高斯噪声，椒盐噪声的概念非常简单，即在图像中随机选点，使其为0或255。

实现代码：

def spNoisy(image,s_vs_p = 0.5,amount = 0.004):
    row,col,ch = image.shape

    out = np.copy(image)
    num_salt = np.ceil(amount * image.size * s_vs_p)
    coords = [np.random.randint(0, i - 1, int(num_salt))  for i in image.shape]
    out[coords] = 1
    num_pepper = np.ceil(amount* image.size * (1. - s_vs_p))
    coords = [np.random.randint(0, i - 1, int(num_pepper)) for i in image.shape]
    out[coords] = 0
    return out

　　图片效果：

　　　　总体代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt
import scipy
import scipy.stats


def GaussieNoisy(image,sigma):
    row,col,ch= image.shape
    mean = 0
    gauss = np.random.normal(mean,sigma,(row,col,ch))
    gauss = gauss.reshape(row,col,ch)
    noisy = image + gauss
    return noisy.astype(np.uint8)

def spNoisy(image,s_vs_p = 0.5,amount = 0.004):
    row,col,ch = image.shape

    out = np.copy(image)
    num_salt = np.ceil(amount * image.size * s_vs_p)
    coords = [np.random.randint(0, i - 1, int(num_salt))  for i in image.shape]
    out[coords] = 1
    #num_pepper = np.ceil(amount * image.size * (2. - s_vs_p))
    num_pepper = np.ceil(amount * image.size * (1 - 0.5))
    coords = [np.random.randint(0, i - 1, int(num_pepper)) for i in image.shape]
    out[coords] = 0
    return out

apple = cv2.imread("girl8.jpg")
apple = cv2.resize(cv2.cvtColor(apple,cv2.COLOR_BGR2RGB),(400,800))
#plt.imshow(apple)
plt.imshow(GaussieNoisy(apple,25))
#plt.imshow(spNoisy(apple,25))
plt.savefig('girl_gs.jpg')
plt.axis("off")
plt.show()

　　参考文档：

1 https://www.cnblogs.com/lynsyklate/p/8047510.html

python数字图像处理---噪声的应用

猜你喜欢