数字图像处理c++ opencv(VS2019 opencv4.53)持续更新
Box-Muller 算法:先得到服从均匀分布的随机数,再将服从均匀分布的随机数转变为服从正态分布。
设U1和U2是服从均匀分布的随机数,则通过下列公式
或者
得到正态分布随机数Z,然后通过均值和标准差计算对应的高斯随机数:
代码如下:
#include
#include
#include
#include
#define PI 3.14159
using namespace cv;
using namespace std;
void Add_GaussianNoise(Mat img_input, Mat& img_output, double mean, double sigma, int k);
int main()
{
Mat image, image_gray, image_output, image_output2; //定义输入图像,灰度图像,输出图像,
image = imread("lena.png"); //读取图像;
if (image.empty())
{
cout << "读取错误" << endl;
return -1;
}
imshow("image", image);
//转换为灰度图像
cvtColor(image, image_gray, COLOR_BGR2GRAY);
imshow("image_gray", image_gray);
//1、利用opencv添加高斯噪声
Mat noise = Mat::zeros(image_gray.size(), image_gray.type());
randn(noise, 1, 15); //randn(a,b,c)产生高斯噪声,其中a为输出矩阵,b为均值,c为方差
image_output = Mat::zeros(image_gray.size(), image_gray.type());
add(image_gray, noise, image_output, Mat(), -1); //将灰度图与噪声矩阵相加得到噪声图像
imshow("image_output", image_output);
//2、自己实现高斯噪声的添加
Add_GaussianNoise(image_gray, image_output2, 1, 15, 1);//输入图像,输出图像,均值,方差,系数
imshow("image_output2", image_output2);
waitKey(0); //暂停,保持图像显示,等待按键结束
return 0;
}
//产生高斯随机数
double generateGaussianNoise(double mu, double sigma)
{
static double V1, V2, S;
static int phase = 0;
double X;
double U1, U2;
if (phase == 0)
{
U1 = (double)rand() / RAND_MAX; //随机数1
U2 = (double)rand() / RAND_MAX; //随机数2
V1 = sqrt((-2) * log(U1));
V2 = 2 * PI * U2;
S = V1 * cos(V2); //通过算法实现高斯随机数:
}
return mu + sigma * S;
}
//噪声图像
void Add_GaussianNoise(Mat img_input, Mat& img_output, double mean, double sigma, int k)
{
img_output.create(img_input.rows, img_input.cols, img_input.type());
for (int x = 0; x < img_input.rows; x++)
{
for (int y = 0; y < img_input.cols; y++)
{
double temp = saturate_cast<uchar>(img_input.at<uchar>(x, y) + k * generateGaussianNoise(mean, sigma));
img_output.at<uchar>(x, y) = temp;
}
}
}