【图像处理】——Python实现图像加噪（随机噪声、椒盐噪声、高斯噪声等）

目录

1、随机噪声

2、椒盐噪声

3、高斯噪声

补充：numpy.clip函数

4、其他噪声

---

1、随机噪声

随机噪声就是通过随机函数在图像上随机地添加噪声点

随机函数random模块参考：https://blog.csdn.net/qq_45769063/article/details/107136319

def random_noise(image,noise_num):
    '''
    添加随机噪点（实际上就是随机在图像上将像素点的灰度值变为255即白色）
    :param image: 需要加噪的图片
    :param noise_num: 添加的噪音点数目，一般是上千级别的
    :return: img_noise
    '''
    #
    # 参数image：，noise_num：
    img = cv2.imread(image)
    img_noise = img
    # cv2.imshow("src", img)
    rows, cols, chn = img_noise.shape
    # 加噪声
    for i in range(noise_num):
        x = np.random.randint(0, rows)#随机生成指定范围的整数
        y = np.random.randint(0, cols)
        img_noise[x, y, :] = 255
    return img_noise

img_noise = random_noise("colorful_lena.jpg",3000)
cv2.imshow('random_noise',img_noise)
cv2.waitKey(0)

 

 

2、椒盐噪声

椒盐噪声(salt-and-pepper noise)是指两种噪声，一种是盐噪声（salt noise），另一种是胡椒噪声（pepper noise）。盐=白色(0)，椒=黑色(255)。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点

以下使用的是一个阈值（prob、thres）进行的噪声分布，也可以用其他方法进行

def sp_noise(image,prob):
    '''
    添加椒盐噪声
    image:原始图片
    prob:噪声比例
    '''
    image = cv2.imread(image)
    output = np.zeros(image.shape,np.uint8)
    noise_out = np.zeros(image.shape,np.uint8)
    thres = 1 - prob
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdn = random.random()#随机生成0-1之间的数字
            if rdn < prob:#如果生成的随机数小于噪声比例则将该像素点添加黑点，即椒噪声
                output[i][j] = 0
                noise_out[i][j] = 0
            elif rdn > thres:#如果生成的随机数大于（1-噪声比例）则将该像素点添加白点，即盐噪声
                output[i][j] = 255
                noise_out[i][j] = 255
            else:
                output[i][j] = image[i][j]#其他情况像素点不变
                noise_out[i][j] = 100
    result = [noise_out,output]#返回椒盐噪声和加噪图像
    return result

sp_noise,img_noise = sp_noise("colorful_lena.jpg",0.1)
cv2.imshow('sp_noise',sp_noise)
cv2.imshow('sp_noise_img',img_noise)
cv2.waitKey(0)

 

 

3、高斯噪声

高斯噪声(Gaussian noise)是指它的概率密度函数服从高斯分布的一类噪声。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。
       注意：“高斯白噪声的幅度服从高斯分布”的说法是错误的，高斯噪声的幅度服从瑞利分布。即使是一维的高斯白噪声，其幅度也不会服从高斯分布，而应该服从瑞利分布。二维不相关的复高斯白噪声包络服从指数分布（x2分布的自由度为2的特例）。n个不相关的复高斯白噪声序列叠加后的复信号包络服从自由度为2n的x2分 布。
       必须区分高斯噪声和白噪声两个不同的概念。高斯噪声是指噪声的概率密度函数服从高斯分布，白噪声是指噪声的任意两个采样样本之间不相关，两者描述的角度不同。白噪声不必服从高斯分布，高斯分布的噪声不一定是白噪声。当然，实际系统中的热噪声是我们一般所说的白噪声的主要来源，它是服从高斯分布的，但一般具有有限的带宽，即常说的窄带白噪声，严格意义上它不是白噪声。

def gasuss_noise(image, mean=0, var=0.001):
    ''' 
        添加高斯噪声
        image:原始图像
        mean : 均值 
        var : 方差,越大，噪声越大
    '''
    image = cv2.imread(image)
    image = np.array(image/255, dtype=float)#将原始图像的像素值进行归一化，除以255使得像素值在0-1之间
    noise = np.random.normal(mean, var ** 0.5, image.shape)#创建一个均值为mean，方差为var呈高斯分布的图像矩阵
    out = image + noise#将噪声和原始图像进行相加得到加噪后的图像
    if out.min() < 0:
        low_clip = -1.
    else:
        low_clip = 0.
    out = np.clip(out, low_clip, 1.0)#clip函数将元素的大小限制在了low_clip和1之间了，小于的用low_clip代替，大于1的用1代替
    out = np.uint8(out*255)#解除归一化，乘以255将加噪后的图像的像素值恢复
    #cv.imshow("gasuss", out)
    noise = noise*255
    return [noise,out]

noise,out = gasuss_noise("colorful_lena.jpg", mean=0, var=0.003)
cv2.imshow('noise',noise)
cv2.imshow('out',out)
cv2.waitKey(0)

 

参考：https://blog.csdn.net/qq1483661204/article/details/78150203

补充：numpy.clip函数

numpy.clip(a, a_min, a_max, out=None)[source]

clip这个函数将将数组中的元素限制在a_min, a_max之间，大于a_max的就使得它等于 a_max，小于a_min,的就使得它等于a_min

import numpy as np
x=np.array([1,2,3,5,6,7,8,9])
np.clip(x,3,8)
Out[88]:
array([3, 3, 3, 5, 6, 7, 8, 8])

4、其他噪声

 其他噪声参考：《Python-图像加噪实现（Gaussian noise+salt and pepper noise）》