基于Python优化图片亮度与噪点

My6n

已于 2023-11-14 00:39:56 修改

阅读量948

点赞数 12

分类专栏： Python 图像处理文章标签： python 开发语言图像处理噪点亮度 pycharm

于 2023-11-13 20:49:24 首次发布

本文链接：https://blog.csdn.net/Myon5/article/details/134385308

版权

Python 同时被 2 个专栏收录

37 篇文章

订阅专栏

图像处理

4 篇文章

订阅专栏

文章介绍了在图像处理中如何添加包括高斯、椒盐、波动、泊松、周期性、斑点和相位等多种类型的噪点，以及如何使用中值滤波器清除噪点。同时讨论了不同应用场景下的亮度调整策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

支持添加噪点类型包括：添加高斯噪点、添加椒盐噪点、添加波动噪点、添加泊松噪点、添加周期性噪点、添加斑点噪点、添加相位噪点，还提供清除噪点的功能。

我们先看一下实测效果：（test.jpg为原图，new.jpg为添加后的图片）

测试添加椒盐噪点

测试添加波动噪点

测试添加高斯噪点

针对上面刚生成的添加了30高斯噪点的图片，测试清理噪点的效果

这里清除噪点采用的是中值滤波器，其实还有很多其他类型的滤波器，各有其优势和适用场景。

效果还是有的，但是我在测使处理斑点噪点时效果不理想，因此这个噪点清除主要还是用于原图的一个处理优化，用于人为严重的噪点处理起来效果不太好。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

下面介绍一下上述七种类型的噪点生成的方法和去除噪点的原理：

高斯噪点（选项1）

方法：通过在每个像素的颜色通道上添加服从正态分布的随机数，模拟真实场景中的随机噪点。
参数：强度（intensity）表示添加的噪点的强度，即随机数的标准差。

椒盐噪点（选项2）

方法：在图像中随机选择像素，并将其设置为黑色或白色，模拟图像中的椒盐噪点。
参数：密度（density）表示椒盐噪点的比例，即在图像中设置为黑色或白色的像素的比例。

波动噪点（选项3）

方法：在每个像素的颜色通道上添加从均匀分布中随机选择的整数，模拟图像中的波动噪点。
参数：强度（intensity）表示添加的波动噪点的强度，即随机整数的范围。

泊松噪点（选项4）

方法：使用泊松分布生成噪点，模拟一些自然场景中的光子计数的泊松分布。
参数：泊松噪点无需用户指定参数。

周期性噪点（选项5）

方法：在图像中添加具有特定频率的正弦波噪点，模拟周期性干扰。
参数：频率（frequency）表示添加的正弦波噪点的频率。

斑点噪点（选项6）

方法：在图像中随机选择位置，并将其设置为具有随机颜色的斑点，模拟斑点噪点。
参数：密度（density）表示斑点噪点的比例，即在图像中设置为斑点的像素的比例。

相位噪点（选项7）

方法：在图像的相位上引入随机值，模拟相位噪点。
参数：强度（intensity）表示添加的相位噪点的强度，即在相位上引入的随机值的范围。

清除噪点（选项8）

方法：使用中值滤波器去除图像中的噪点。
参数：清除噪点无需指定参数。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

对于亮度各位可以自行设置，我代码里给的是20，关于亮度设置的一些建议：

风景照片：10到20之间

一幅风景照片可能在稍微提高亮度后更加清晰和宜人。

人物照片：5到15之间

对于人物照片，适度的亮度提升可能会使面部特征更加清晰，但不要过分。

黑白照片：0到10之间。
在黑白照片中，适度的亮度提升可以改善整体对比度。

艺术照片：-10到10之间。

对于一些艺术性质的照片，可以尝试一些负值，以产生一些有趣的阴影效果。

室内照片：5到15之间。
室内照片可能因光线不足而显得较暗，轻微提升亮度可以改善整体亮度。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

下面附上源码：（其中图片所在路径以及生成图片放置路径改成自己的即可）

from PIL import Image, ImageFilter
import numpy as np
from typing import Tuple


def change_brightness(img: Image, level: float) -> Image:
    """
    调整 PIL 图像的亮度到指定水平。
    """

    def brightness(c: int) -> float:
        """
        对每个位执行的基本变换/操作。
        """
        return 128 + level + (c - 128)

    if not -50.0 <= level <= 50.0:
        raise ValueError("亮度水平必须在 -50.0 到 50.0 之间")
    return img.point(brightness)


def add_gaussian_noise(img: Image, intensity: float) -> Image:
    """
    向 PIL 图像添加高斯噪点。
    """
    if not 0.0 <= intensity <= 30.0:
        raise ValueError("高斯噪点强度必须在 0.0 到 30.0 之间")

    np_img = np.array(img)
    noise = np.random.normal(scale=intensity, size=np_img.shape)
    noisy_img = np_img + noise
    noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8)
    return Image.fromarray(noisy_img)


def add_salt_and_pepper_noise(img: Image, density: float) -> Image:
    """
    向 PIL 图像添加椒盐噪点。
    """
    if not 0.0 <= density <= 1.0:
        raise ValueError("椒盐噪点密度必须在 0.0 到 1.0 之间")

    np_img = np.array(img)
    salt_and_pepper = np.random.rand(*np_img.shape[:2])

    noisy_img = np_img.copy()
    noisy_img[salt_and_pepper < density / 2] = 0
    noisy_img[salt_and_pepper > (1 - density / 2)] = 255

    return Image.fromarray(noisy_img)


def add_random_noise(img: Image, intensity: float) -> Image:
    """
    向 PIL 图像添加波动噪点。
    """
    if not 0.0 <= intensity <= 30.0:
        raise ValueError("波动噪点强度必须在 0.0 到 30.0 之间")

    np_img = np.array(img)
    noise = np.random.randint(-intensity, intensity + 1, size=np_img.shape)
    noisy_img = np_img + noise
    noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8)
    return Image.fromarray(noisy_img)


def add_poisson_noise(img: Image) -> Image:
    """
    向 PIL 图像添加泊松噪点。
    """
    np_img = np.array(img)
    noisy_img = np.random.poisson(np_img)
    noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8)
    return Image.fromarray(noisy_img)


def add_periodic_noise(img: Image, frequency: float) -> Image:
    """
    向 PIL 图像添加周期性噪点。
    """
    if not 0.0 <= frequency <= 0.5:
        raise ValueError("周期性噪点频率必须在 0.0 到 0.5 之间")

    np_img = np.array(img)
    rows, cols, _ = np_img.shape
    x = np.arange(cols)
    y = np.arange(rows)
    X, Y = np.meshgrid(x, y)
    noise = np.sin(2 * np.pi * frequency * X / cols) + np.sin(2 * np.pi * frequency * Y / rows)
    noisy_img = np_img + 30 * noise[:, :, np.newaxis]
    noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8)
    return Image.fromarray(noisy_img)


def add_spotty_noise(img: Image, density: float) -> Image:
    """
    向 PIL 图像添加斑点噪点。
    """
    if not 0.0 <= density <= 1.0:
        raise ValueError("斑点噪点密度必须在 0.0 到 1.0 之间")

    np_img = np.array(img)
    spotty = np.random.rand(*np_img.shape[:2])

    noisy_img = np_img.copy()
    noise = np.random.randint(0, 256, size=(np_img.shape[0], np_img.shape[1], 3))
    noisy_img[spotty < density] = noise[spotty < density]

    return Image.fromarray(noisy_img)


def add_phase_noise(img: Image, intensity: float) -> Image:
    """
    向 PIL 图像添加相位噪点。
    """
    if not 0.0 <= intensity <= 30.0:
        raise ValueError("相位噪点强度必须在 0.0 到 30.0 之间")

    np_img = np.array(img)
    phase = np.random.uniform(-intensity, intensity, size=np_img.shape[:2])
    noisy_img = np_img * np.exp(1j * phase[:, :, np.newaxis])
    noisy_img = np.abs(noisy_img).astype(np.uint8)

    return Image.fromarray(noisy_img)


def remove_noise(img: Image) -> Image:
    """
    清除 PIL 图像中的所有噪点。
    """
    return img.filter(ImageFilter.MedianFilter(size=3))


if __name__ == "__main__":
    # 加载图像
    image_path = "D:/swctf/image/test.jpg"
    with Image.open(image_path) as img:
        # 将亮度调整为20
        bright_img = change_brightness(img, 20)

        # 用户选择操作类型
        print("选择操作类型:")
        print("1: 添加高斯噪点")
        print("2: 添加椒盐噪点")
        print("3: 添加波动噪点")
        print("4: 添加泊松噪点")
        print("5: 添加周期性噪点")
        print("6: 添加斑点噪点")
        print("7: 添加相位噪点")
        print("8: 清除噪点")
        operation_type = input("请输入选项数字: ")

        # 根据操作类型明确输入范围和类型
        if operation_type == "1":
            intensity = float(input("请输入高斯噪点强度（0.0 到 30.0）: "))
            processed_img = add_gaussian_noise(bright_img, intensity)
        elif operation_type == "2":
            intensity = float(input("请输入椒盐噪点密度（0.0 到 1.0）: "))
            processed_img = add_salt_and_pepper_noise(bright_img, intensity)
        elif operation_type == "3":
            intensity = float(input("请输入波动噪点强度（0.0 到 30.0）: "))
            processed_img = add_random_noise(bright_img, intensity)
        elif operation_type == "4":
            processed_img = add_poisson_noise(bright_img)
        elif operation_type == "5":
            frequency = float(input("请输入周期性噪点频率（0.0 到 0.5）: "))
            processed_img = add_periodic_noise(bright_img, frequency)
        elif operation_type == "6":
            density = float(input("请输入斑点噪点密度（0.0 到 1.0）: "))
            processed_img = add_spotty_noise(bright_img, density)
        elif operation_type == "7":
            intensity = float(input("请输入相位噪点强度（0.0 到 30.0）: "))
            processed_img = add_phase_noise(bright_img, intensity)
        elif operation_type == "8":
            processed_img = remove_noise(bright_img)
        else:
            raise ValueError("不支持的操作类型")

        # 保存处理后的图像
        output_path = "D:/swctf/image/new.jpg"
        processed_img.save(output_path, format="jpeg")
        print(f"处理后的图像已保存至: {output_path}")