椒盐噪声与中值滤波的Python实现与检验

1.椒盐噪声(Salt Pepper Noise)

椒盐噪声也称为脉冲杂讯,是图像中经常见到的一种杂讯,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) ——维基百科

1.1 关于椒盐噪声的几点注意

  • 噪点类型随机,即亮斑或暗斑(对应灰度图0、255)
  • 噪声概率为先验概率(如:噪声概率为0.1,数据点总数为100,而实际的噪点数并不一定为10)。关于先验概率与后验概率这篇博文比较推荐

1.2 实现算法思路

  1. 新建一个与输入图像等长的数组
  2. 数组中存放的随机整数
  3. 当上述数组中出现的值为时,则认为对应的数据点为噪点
  4. 该噪点等概率的取亮斑或暗斑

1.3 Code

import numpy as np
import random

def salt_pepper(intput_signal, probability):
    '''
    椒盐噪声算法(适用于灰度图)
    :param intput_signal: 输入信号矩阵(2D)
    :param probability: 噪声概率(如:0.1为10%)
    :return: 加噪后的图像、实际噪点数、理论噪点数
    '''
    nisy = [0, 255] # 噪声(salt, papper)

    m, n= intput_signal.shape  # 获取输入图片尺寸(行和列)

    intput_signal_cp = intput_signal.copy() # 输入信号的副本
    intput_signal_cp = intput_signal_cp.reshape(-1) # reshape为一个行向量

    # 该噪声概率下,理论上noisy_data_probability_num个数据点中1一个噪点
    noisy_data_probability_num = int(100 / (probability * 100))

    # 噪点数组,当数组中的值为1时,则认为对应的数据点为噪点
    noisy_data = []
    for i in range(m*n):
        noisy_data.append(random.randint(1, noisy_data_probability_num))

    # 实际噪点数与理论噪点数
    actual_noisy_data_num = 0
    theory_noisy_data_num = int(m * n * probability)

    # 添加噪点
    for i in range(m*n):
        if noisy_data[i] == 1:
            actual_noisy_data_num = actual_noisy_data_num + 1
            intput_signal_cp[i] = nisy[random.randint(0, 1)]

    # 重塑至m*n的矩阵
    intput_signal_cp = intput_signal_cp.reshape(m, n)

    return  intput_signal_cp, actual_noisy_data_num, theory_noisy_data_num

2.中值滤波(Median Filtering)

中值滤波是一种非线性数字滤波器技术,经常用于去除图像或者其它信号中的噪声,是处理椒盐噪声的常用降噪算法——百度百科

2.1 窗口问题

中值滤波降噪的原理为使用噪点的某一个邻域内的中值代替该噪点,邻域范围越大则边缘保留效果越差,从视觉上来看,即更加模糊,但降噪效果明显。此外,邻域亦即窗口的形状也会影响降噪的效果。通常有,十字形,圆形等。这里此文采用十字形。

2.2 Code

import numpy as np
import random

def median_filtering(input_signal):
    '''
    中值滤波(适用于灰度图)
    如:
            - + -
            + * +
            - + -
    * 为噪点,滤波方法为:取4个+的中位数(若某+不在输入信号范围内,则随机添加0或255)
    :param input_signal: 输入信号矩阵(2D)
    :return: 滤波后的信号
    '''
    salt_pepper = [0, 255]

    m, n = input_signal.shape  # 获取输入图片的尺寸(行和列)

    input_signal_cp = input_signal.copy()   # 输入信号的副本

    nosiy_data_around = []  # 存放噪点上下左右的数据点
    # 遍历滤波
    for i in range(m):
        for j in range(n):
            # 当灰度值为0或255时,则认为该数据点为椒盐噪点
            if input_signal_cp[i, j] == 255 or input_signal_cp[i, j] == 0:
                # 每次无效数据点(即不再范围内)为4,每有一个在范围内,即-1
                invalid_data_per = 4
                if i + 1 < n:
                    nosiy_data_around.append(input_signal_cp[i + 1, j])
                    invalid_data_per = invalid_data_per - 1
                if i - 1 >= 0:
                    nosiy_data_around.append(input_signal_cp[i - 1, j])
                    invalid_data_per = invalid_data_per - 1
                if j + 1 < m:
                    nosiy_data_around.append(input_signal_cp[i, j + 1])
                    invalid_data_per = invalid_data_per - 1
                if j - 1 >= 0:
                    nosiy_data_around.append(input_signal_cp[i, j - 1])
                    invalid_data_per = invalid_data_per - 1
                else:
                    if invalid_data_per > 0:
                        # 根据无效数据点的个数,随机添加0或255
                        for k in range(invalid_data_per):
                            nosiy_data_around.append(salt_pepper[random.randint(0, 1)])
                # 取中位数
                input_signal_cp[i, j] = np.median(nosiy_data_around)

                # 该噪点的周围数据数组清空,为下一个噪点周围数据存在做准备
                nosiy_data_around = []

    return input_signal_cp


3.实验对比

我这里采用Python第三方库skimage.data.camera()作为测试图片

椒盐噪率为0.1
椒盐噪率为0.0.3

4.Github

clike me!

你可能感兴趣的:(椒盐噪声与中值滤波的Python实现与检验)