椒盐噪声 Python实现

文章目录

椒盐噪声概念
椒盐噪声数学定义
椒盐噪声代码实现

最近碰到一个过拟合问题（感觉在工程里大部分时间都在解决过拟合，只要选正确模型～），想通过增加椒盐噪声来增加训练样本的多样性，对椒盐噪声有了新的认识——原来 椒盐噪声 = 椒噪声 + 盐噪声

椒盐噪声概念

椒盐噪声又称为脉冲噪声，它是一种随机出现的白点或者黑点，如下图。在这里插入图片描述
在机器学习的图像分类任务中，为图像增加椒盐噪声是一种常用的数据增强方法，这里就介绍添加椒盐噪声的函数(基于python)。

椒盐噪声数学定义

信噪比
在噪声的概念中，通常采用信噪比（Signal-Noise Rate, SNR）衡量图像噪声。通俗的讲就是信号占多少，噪声占多少，SNR越小，噪声占比越大。
在信号系统中，计量单位为dB，为10lg(PS/PN), PS和PN分别代表信号和噪声的有效功率。

在这里，采用信号像素点的占比充当SNR，以衡量所添加噪声的多少。
举个例，假设一张图像的宽x高 = 10x10 ，共计100个像素，想让其中20个像素点变为噪声，其余80个像素点保留原值，则这里定义的SNR=80/100 = 0.8 。

一开始也说了，椒盐噪声 = 椒噪声 + 盐噪声 ，椒盐噪声的值为0(黑色)或者255(白色)，这里假设为等概率的出现0或者255。

为图像添加椒盐噪声的的步骤如下：

依SNR制作mask，用于判断像素点是原始信号，还是噪声
依mask给原图像赋噪声值

椒盐噪声代码实现

def addsalt_pepper(img, SNR):
    img_ = img.copy()
    c, h, w = img_.shape
    mask = np.random.choice((0, 1, 2), size=(1, h, w), p=[SNR, (1 - SNR) / 2., (1 - SNR) / 2.])
    mask = np.repeat(mask, c, axis=0)     # 按channel 复制到 与img具有相同的shape
    img_[mask == 1] = 255    # 盐噪声
    img_[mask == 2] = 0      # 椒噪声
    return img_

注意事项，输入的img的shape有规定，需要是 c,h,w。可自行修改

执行以下脚本，可以查看不同SNR下添加椒盐噪声的效果。

# coding: utf-8

import numpy as np
import cv2
from matplotlib import pyplot as plt

def addsalt_pepper(img, SNR):
    img_ = img.copy()
    c, h, w = img_.shape
    mask = np.random.choice((0, 1, 2), size=(1, h, w), p=[SNR, (1 - SNR) / 2., (1 - SNR) / 2.])
    mask = np.repeat(mask, c, axis=0)     # 按channel 复制到 与img具有相同的shape
    img_[mask == 1] = 255    # 盐噪声
    img_[mask == 2] = 0      # 椒噪声

    return img_


img = cv2.imread('your_path.jpg')

SNR_list = [0.9, 0.7, 0.5, 0.3]
sub_plot = [221, 222, 223, 224]

plt.figure(1)
for i in range(len(SNR_list)):
    plt.subplot(sub_plot[i])
    img_s = addsalt_pepper(img.transpose(2, 1, 0), SNR_list[i])     # c,
    img_s = img_s.transpose(2, 1, 0)
    cv2.imshow('PepperandSalt', img_s)
    cv2.waitKey(0)
    plt.imshow(img_s[:,:,::-1])     # bgr --> rgb
    plt.title('add salt pepper noise(SNR={})'.format(SNR_list[i]))  

plt.show()

最终得到小猫图像如下：
在这里插入图片描述