散斑噪音 python python 噪声

一、Python 图像加噪常用方式

1. 高斯噪声(Gaussian noise)

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。常见的高斯噪声包括起伏噪声、宇宙噪声、热噪声和散粒噪声等等。除常用抑制噪声的方法外，对高斯噪声的抑制方法常常采用数理统计方法。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。

高斯分布，也称正态分布，又称常态分布，记为N(μ，σ^2)，其中μ，σ^2为分布的参数，分别为高斯分布的期望和方差。当有确定值时，p(x)也就确定了，特别当μ=0，σ^2=1时，X的分布为标准正态分布。

2. 椒盐噪声

椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素(或是两者皆有)。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。

3. 泊松噪声

泊松噪声，就是符合泊松分布的噪声模型，泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数等等。

4. 乘性噪声

乘性噪声一般由信道不理想引起，它们与信号的关系是相乘，信号在它在，信号不在他也就不在。

5. 瑞利噪声

瑞利噪声相比高斯噪声而言，其形状向右歪斜，这对于拟合某些歪斜直方图噪声很有用。

6. 伽马噪声

伽马噪声的分布，服从了伽马曲线的分布。伽马噪声的实现，需要使用b个服从指数分布的噪声叠加而来。指数分布的噪声，可以使用均匀分布来实现。(b=1时为指数噪声，b>1时通过若干个指数噪声叠加，得到伽马噪声)

7. 随机噪声/均匀噪声

二、Python实现

1. 随机噪声

# -*- coding: utf-8 -*-import cv2img = cv2.imread('test.jpg')# 噪声点数量coutn = 100000for k in range(0, coutn): # 获取图像噪声点的随机位置 xi = int(np.random.uniform(0, img.shape[1])) xj = int(np.random.uniform(0, img.shape[0])) # 加噪 if img.ndim == 2: # 灰度图像 img[xj, xi] = 255 elif img.ndim == 3: # 非灰度图像，图像加噪 img[xj, xi, 0] = 25 img[xj, xi, 1] = 20 img[xj, xi, 2] = 20cv2.imshow('img', img)cv2.waitKey()cv2.destroyAllWindows()

效果：

2. numpy 加高斯噪声

# -*- coding: utf-8 -*-import cv2import numpy as npdef add_gaussian_noise(image_in, noise_sigma): temp_image = np.float64(np.copy(image_in)) h = temp_image.shape[0] w = temp_image.shape[1] noise = np.random.randn(h, w) * noise_sigma noisy_image = np.zeros(temp_image.shape, np.float64) if len(temp_image.shape) == 2: noisy_image = temp_image + noise else: noisy_image[:, :, 0] = temp_image[:, :, 0] + noise noisy_image[:, :, 1] = temp_image[:, :, 1] + noise noisy_image[:, :, 2] = temp_image[:, :, 2] + noise """ print('min,max = ', np.min(noisy_image), np.max(noisy_image)) print('type = ', type(noisy_image[0][0][0])) """ return noisy_imageimg_path = 'test.jpg'img = cv2.imread(img_path)noise_sigma = 25noise_img = add_gaussian_noise(img, noise_sigma=noise_sigma)noise_path = 'noise_{}.jpg'.format(noise_sigma)cv2.imwrite(noise_path, noise_img)cv2.imshow('source', img)noise_img = cv2.imread(noise_path)cv2.imshow('noise', noise_img)cv2.waitKey()cv2.destroyAllWindows()

效果：

3. 椒盐噪声实现

# -*- coding: utf-8 -*-import cv2import randomfrom numpy import *def PepperandSalt(src, percetage): NoiseImg = src NoiseNum = int(percetage*src.shape[0]*src.shape[1]) for i in range(NoiseNum): randX=random.randint(0, src.shape[0]-1) randY=random.randint(0, src.shape[1]-1) if random.randint(0, 1) <= 0.5: NoiseImg[randX, randY] = 0 else: NoiseImg[randX, randY]=255 return NoiseImgimg = cv2.imread('test.jpg')img1 = PepperandSalt(img, 0.2)cv2.imwrite('test1.jpg', img1)cv2.imshow('PepperandSalt', img1)cv2.waitKey(0)

效果：

三、scikit-image 噪声函数

def random_noise(image, mode='gaussian', seed=None, clip=True, **kwargs):

功能：为浮点型图片添加各种随机噪声

参数：

image：输入图片(将会被转换成浮点型)，ndarray型

mode： 可选择，str型，表示要添加的噪声类型

gaussian：高斯噪声localvar：高斯分布的加性噪声，在“图像”的每个点处具有指定的局部方差。poisson：泊松再生salt：盐噪声，随机将像素值变成1pepper：椒噪声，随机将像素值变成0或-1，取决于矩阵的值是否带符号s&p：椒盐噪声speckle：均匀噪声(均值mean方差variance)，out=image+n*image

seed： 可选的，int型，如果选择的话，在生成噪声前会先设置随机种子以避免伪随机

clip： 可选的，bool型，如果是True，在添加均值，泊松以及高斯噪声后，会将图片的数据裁剪到合适范围内。如果谁False，则输出矩阵的值可能会超出[-1,1]

mean： 可选的，float型，高斯噪声和均值噪声中的mean参数，默认值=0

var： 可选的，float型，高斯噪声和均值噪声中的方差，默认值=0.01(注：不是标准差)

local_vars：可选的，ndarry型，用于定义每个像素点的局部方差，在localvar中使用

amount： 可选的，float型，是椒盐噪声所占比例，默认值=0.05

salt_vs_pepper：可选的，float型，椒盐噪声中椒盐比例，值越大表示盐噪声越多，默认值=0.5，即椒盐等量

--------返回值：ndarry型，且值在[0,1]或者[-1,1]之间，取决于是否是有符号数-------

测试代码

# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltfrom PIL import Imagefrom skimage import utilimg = Image.open('test.jpg')img = np.array(img)noise_gs_img = util.random_noise(img, mode='gaussian')noise_salt_img = util.random_noise(img, mode='salt')noise_pepper_img = util.random_noise(img, mode='pepper')noise_sp_img = util.random_noise(img, mode='s&p')noise_speckle_img = util.random_noise(img, mode='speckle')plt.subplot(2, 3, 1), plt.title('original')plt.imshow(img)plt.subplot(2, 3, 2), plt.title('gaussian')plt.imshow(noise_gs_img)plt.subplot(2, 3, 3), plt.title('salt')plt.imshow(noise_salt_img)plt.subplot(2, 3, 4), plt.title('pepper')plt.imshow(noise_pepper_img)plt.subplot(2, 3, 5), plt.title('s&p')plt.imshow(noise_sp_img)plt.subplot(2, 3, 6), plt.title('speckle')plt.imshow(noise_speckle_img)plt.show()

运行效果：