python图像条状状噪声_python检测图片噪声（噪点噪声、雪花噪声、条纹噪声）

首先是噪声的大体分类：

噪点噪声：又称脉冲噪声、椒盐噪声

雪花噪声：又称高斯噪声

条纹噪声：

分析完这些噪声的大致分布情况之后

importcv2from PIL importImagefrom PIL importImageChopsimportnumpy as npimporttimeimportpytesseractimportwarningsimportmathimportrandomdef sp_noise(image,prob=0.05):'''添加椒盐噪声

prob:噪声比例'''output=np.zeros(image.shape,np.uint8)

thres= 1 -probfor i inrange(image.shape[0]):for j in range(image.shape[1]):

rdn=random.random()if rdn

output[i][j]=0elif rdn >thres:

output[i][j]= 255

else:

output[i][j]=image[i][j]#return output

#print(output)

cv2.imshow("img",output)

cv2.waitKey(0)

cv2.imwrite("noise_check/img.jpg",output)def gasuss_noise(image, mean=0.2, var=0.005):'''添加高斯噪声

mean : 均值

var : 方差'''image= np.array(image/255, dtype=float)

noise= np.random.normal(mean, var ** 0.5, image.shape)

out= image +noiseif out.min() <0:

low_clip= -1.else:

low_clip=0.

out= np.clip(out, low_clip, 1.0)

out= np.uint8(out*255)

cv2.imshow("gasuss", out)#return out

cv2.waitKey(0)

cv2.imwrite("noise_check/img.jpg",out)#sp_noise(cv2.imread("noise_check/5.jpg",cv2.IMREAD_COLOR))

gasuss_noise(cv2.imread("noise_check/5.jpg",cv2.IMREAD_COLOR))

importcv2from PIL importImagefrom PIL importImageChopsimportnumpy as npimporttimeimportpytesseractimportwarnings

warnings.filterwarnings("ignore")

demo=Image.open("noise_check//1.jpg")

im=np.array(demo.convert('L'))#灰度化矩阵

print(im.shape)print(im.dtype)#print(im)

height=im.shape[0]#尺寸

width=im.shape[1]

varlist=[]for i inrange(height):for j inrange(width):for k in range(16):if im[i][j]>=k*16 and im[i][j]

im[i][j]=8*(k*2+1)break

for i in range(0,height-height%3,3):for j in range(0,width-width%3,3):

x=(im[i][j]+im[i+1][j]+im[i+2][j]+im[i][j+1]+im[i+1][j+1]+im[i+2][j+1]+im[i][j+2]+im[i+1][j+2]+im[i+2][j+2])/9x2=(pow(im[i][j],2)+pow(im[i+1][j],2)+pow(im[i+2][j],2)+pow(im[i][j+1],2)+pow(im[i+1][j+1],2)+pow(im[i+2][j+1],2)+pow(im[i][j+2],2)+pow(im[i+1][j+2],2)+pow(im[i+2][j+2],2))/9var=x2-pow(x,2)

varlist.append(round(var,3))#子窗口的方差值3x3

print(im)#print(varlist)

T=round(sum(varlist)/len(varlist),3)#保留3位小数

print(T)

检测噪点和雪花的方法如下(FFT法)

from PIL importImageimportnumpy as npimportmath

T=50#阈值设定，大于T则判定偏离xy轴过多

#复数类

classcomplex:def __init__(self):

self.real= 0.0self.image= 0.0

#复数乘法

defmul_ee(complex0, complex1):

complex_ret=complex()

complex_ret.real= complex0.real * complex1.real - complex0.image *complex1.image

complex_ret.image= complex0.real * complex1.image + complex0.image *complex1.realreturncomplex_ret#复数加法

defadd_ee(complex0, complex1):

complex_ret=complex()

complex_ret.real= complex0.real +complex1.real

complex_ret.image= complex0.image +complex1.imagereturncomplex_ret#复数减法

defsub_ee(complex0, complex1):

complex_ret=complex()

complex_ret.real= complex0.real -complex1.real

complex_ret.image= complex0.image -complex1.imagereturncomplex_ret#对输入数据进行倒序排列

defforward_input_data(input_data, num):

j= num //2

for i in range(1, num - 2):if(i

complex_tmp=input_data[i]

input_data[i]=input_data[j]

input_data[j]=complex_tmp#print "forward x[%d] <==> x[%d]" % (i, j)

k = num // 2

while (j >=k):

j= j -k

k= k // 2j= j +k#实现1D FFT

deffft_1d(in_data, num):

PI= 3.1415926forward_input_data(in_data, num)#倒序输入数据

#计算蝶形级数，也就是迭代次数

M = 1 #num = 2^m

tmp = num // 2;while (tmp != 1):

M= M + 1tmp= tmp // 2

#print "FFT level：%d" % M

complex_ret=complex()for L in range(1, M + 1):

B= int(math.pow(2, L -1)) #B为指数函数返回值，为float，需要转换integer

for J inrange(0, B):

P= math.pow(2, M - L) *Jfor K in range(J, num, int(math.pow(2, L))):#print "L:%d B:%d, J:%d, K:%d, P:%f" % (L, B, J, K, P)

complex_ret.real = math.cos((2 * PI / num) *P)

complex_ret.image= -math.sin((2 * PI / num) *P)

complex_mul= mul_ee(complex_ret, in_data[K +B])

complex_add=add_ee(in_data[K], complex_mul)

complex_sub=sub_ee(in_data[K], complex_mul)

in_data[K]=complex_add

in_data[K+ B] =complex_sub#print "A[%d] real: %f, image: %f" % (K, in_data[K].real, in_data[K].image)

#print "A[%d] real: %f, image: %f" % (K + B, in_data[K + B].real, in_data[K + B].image)

deftest_fft_1d(in_data):#in_data = [2,3,4,5,7,9,10,11,100,12,14,11,56,12,67,12] #待测试的x点元素

k=1

while(1):if len(in_data)>pow(2,k) and len(in_data)<=pow(2,k+1):#不足的补0

#fftlen=pow(2,k+1)

#in_data.extend([0 for i in range(pow(2,k+1)-len(in_data))])

fftlen=pow(2,k)breakk+=1

#变量data为长度为x、元素为complex类实例的list，用于存储输入数据

data = [(complex()) for i inrange(len(in_data))]#将8个测试点转换为complex类的形式，存储在变量data中

for i inrange(len(in_data)):

data[i].real=in_data[i]

data[i].image= 0.0

##输出FFT需要处理的数据

#print("The input data:")

#for i in range(len(in_data)):

#print("x[%d] real: %f, image: %f" % (i, data[i].real, data[i].image))

fft_1d(data, fftlen)##输出经过FFT处理后的结果

#print("The output data:")

#for i in range(len(in_data)):

#print("X[%d] real: %f, image: %f" % (i, data[i].real, data[i].image))

Tnum=0for i in range(len(in_data)):#虚实值都大于T的才叫偏离

if abs(data[i].real)>T and abs(data[i].image)>T:

Tnum+=1

print(Tnum)print(str(round(Tnum/len(in_data),4)*100)+"%")#test the 1d fft#in_data=[2,3,4,5,7,9,10,11]

demo=Image.open("noise_check//5.jpg")

im=np.array(demo.convert('L'))#灰度化矩阵

in_data=[]for item inim:

in_data.extend(item)

test_fft_1d(in_data)

以下为原图、均方误差法结果、FFT法结果

可以看出FFT法比均方误差法要准确，虽然时间上也更长···

对于正常图片，这个FFT百分比一般不超过94%

对于噪声较小的也能在这个数值上体现出来：

要是更小的噪声的话···

可能准确率就不行了···

条纹噪声的检测和上述不同

不知道如何才能生成条纹噪声···

按照上面那个论文的思路倒是将代码写了出来，还未经过测试所以正确率不能保证

from PIL importImageimportnumpy as npimportwarnings

T1=100#阈值1，通道行差

T2=1000#阈值2，A通道差绝对和

T3=1000#阈值3，AB通道绝对和#算法来源，论文http://www.doc88.com/p-2572496212147.html

warnings.filterwarnings("ignore")

demo=Image.open("noise_check//21.jpg")

im=np.array(demo.convert('L'))#灰度化矩阵

print(im.shape)print(im.dtype)

r,g,b=demo.split()#gm=demo.convert('L')#plt.subplot(2,2,1)#plt.imshow(gm,cmap='gray'),plt.axis('off')#plt.subplot(2,2,2)#plt.imshow(r,cmap='gray'),plt.axis('off')#plt.subplot(2,2,3)#plt.imshow(g,cmap='gray'),plt.axis('off')#plt.subplot(2,2,4)#plt.imshow(b,cmap='gray'),plt.axis('off')#plt.show()

rm=np.array(r)

gm=np.array(g)

bm=np.array(b)

height=im.shape[0]#尺寸

width=im.shape[1]

midimg=[im,rm,gm,bm]

count=0for i in range(4):

mid=midimg[i]

n=0while(1):if n+3>=height:break

for j in range(6,width-6,1):

grA=mid[n][j]

grB=mid[n+3][j]if abs(grA-grB)>T1:

L1=0

L2=0for k in range(j-6,j+6,1):

L1+=abs(mid[n][k]-grA)

L2+=abs(mid[n][k]-mid[n+3][k])#print(L1)

#print(L2)

#print("-----")

if L1T3:

count+=1n+=10

#print(count)

sum=(height-3)*4*(width-12)#print(count/sum)

res=round(count/sum,5)#保留3位小数

print(str(res*100)+"%")

原图是视频组播电视图，噪声图是网上找的···

可能会有用吧···

以上。

博客记录，从我做起。我是会武术之白猫，转载请注明。