图像处理学习笔记之空间滤波（2）图像噪声

椒盐噪声

  椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声是指两种噪声，一种是盐噪声（salt noise）盐=白色(255)，另一种是胡椒噪声（pepper noise），椒=黑色(0)。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。对于彩色图像，也有可能表现为在单个像素BGR三个通道随机出现的255或0。椒盐噪声往往由图像切割引起，去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。

为图像添加椒盐噪声

Opencv提供了randu()函数生成单个均匀分布的随机数或随机数组。其函数原型为：

void randu(InputOutputArray dst,InputArray low,InputArray high);
//参数说明：
dst: //输出随机数组; 必须预先分配内存
low: //包含生成的随机数的下边界
high: //包含生成的随机数的上边界

  使用randu()函数给图像添加椒盐噪声的代码如下，pn是噪声密度（即包括噪声值的图像区域的百分比）。因此，大约有$pn\times numel(f)$个像素受到影响。默认的噪声密度为0.05。

void addSaltAndPepperNoise(InputArray srcImage, OutputArray dstImage, double pn=0.05)
{
   
    Mat srcMat = srcImage.getMat();
    srcImage.copyTo(dstImage);
    Mat dstMat = dstImage.getMat();
    //图像通道判定
    if (srcMat.channels() == 1)
    {
   
        Mat_<double> randux(srcMat.rows, srcMat.cols, CV_64F);
        randu(randux, Scalar_<double>(0.0), Scalar_<double>(1.0));

        for(int i = 0; i < srcMat.rows; i++)
        {
   
            for(int j = 0; j < srcMat.cols; j++)
            {
   
                if(randux.at<double>(i, j) < pn / 2)
                {
   
                    dstMat.at<uchar>(i, j) = 0;
                }
                else if((randux.at<double>(i, j) > pn / 2) & (randux.at<double>(i, j) < pn))
                {
   
                    dstMat.at<uchar>(i, j) = 255;
                }
            }
        }
    }
    else if(srcMat.channels() == 3)
    {
   
        Mat randux(srcMat.rows, srcMat.cols, CV_64FC3);
        randu(randux, Scalar(0.0, 0.0, 0.0), Scalar(1.0, 1.0, 1.0));
        vector<Mat> dstchns;
        split(dstMat, dstchns);
        vector<Mat_<double>> xchns;
        split(randux, xchns);
        for(int k = 0; k < dstMat.channels(); k++)
        {
   
            for(int i = 0; i < dstMat.rows; i++)
            {
   
                for(int j = 0; j < dstMat.cols; j++)
                {
   
                    if(xchns[k].at<double>(i, j) < pn / 2)
                    {
   
                        dstchns[k].at<uchar>(i, j) = 0;
                    }
                    else if((xchns[k].at<double>(i, j) > pn / 2) & (xchns[k].at<double>(i, j) < pn))
                    {
   
                        dstchns[k].at<uchar>(i, j) = 255;
                    }
                }
            }
        }
        merge(dstchns, dstMat);
    }
}
int main()
{
   
    Mat srcImage = imread("lena.bmp", CV_LOAD_IMAGE_UNCHANGED);
    Mat noiseImage;
    addSaltAndPepperNoise(srcImage, noiseImage, 0.05);
    namedWindow("噪声图像");
    imshow ("噪声图像", noiseImage);
    waitKey(0);
    return 0;
}

添加椒盐噪声后的图像为

高斯噪声

  所谓高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类加性噪声。
  产生原因：
  1）图像传感器在拍摄时不够明亮、亮度不够均匀；
  2）电路各元器件自身噪声和相互影响；
  3）图像传感器长期工作，温度过高。

normal_distribution

  我们可以使用C++ random库中的normal_distribution来产生正态分布随机数来添加高斯噪声。代码为：

void addGaussianNoise(InputArray _srcImage, OutputArray _dstImage, double mu = 0, double sigma = 0.1)
{
   
    Mat srcImage = _srcImage.getMat();
    _srcImage.copyTo (_dstImage);
    Mat _srcMat;
    int type = CV_MAKETYPE(CV_64F, srcImage.channels());
    srcImage.convertTo (_srcMat, type, 1.0 / 255);
    Mat dstImage = _dstImage.getMat();
    int channels = srcImage.channels();
    int nRows = srcImage.rows;
    int nCols = srcImage.cols * channels;
    default_random_engine e;
    normal_distribution<double> n(mu, sigma);
    // 判断图像的连续性
    if(srcImage.isContinuous())
    {
   
        nCols *= nRows;
        nRows = 1;
    }
    for(int i = 0; i < nRows; ++i)
    {
   
        for(int j = 0; j < nCols; ++j)
        {
   
            // 添加高斯噪声
            double val = _srcMat.ptr<double>(i)[j] + n(e);
            dstImage.ptr<uchar>(i)[j] = saturate_cast<uchar>(val * 255);
        }
    }
}

Box–Muller变换

  Box-Muller变换是通过服从均匀分布的随机变量，来构建服从高斯分布的随机变量的一种方法。基于这种变换，我们便可以得到一个从均匀分布中得到正态分布采样的算法。
  定理：如果$U_1$和$U_2$是两个独立且服从(0,1)均匀分布的随机变量，则
$$X=\sqrt{-2\ln U_1}\cos (2\pi U_2)$$$$Y=\sqrt{-2\ln U^{}}$$