【Numpy】图像处理——噪声模型

已于 2024-01-17 14:54:53 修改
阅读量955 收藏 21
点赞数 28
分类专栏： 图像护理 文章标签： numpy 图像处理 python
于 2024-01-17 14:00:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34108802/article/details/135648560
版权

文章目录

前言

  在学习图像滤波算法之前，我们需要了解图像的复原与重建是什么，以及常见的几种噪声模型。

高斯噪声

#高斯噪声
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

a = Image.open("erha.jpg")

a = np.array(a)

a_img = np.uint8(a)
plt.imshow(a_img,cmap="brg")
plt.show()

h,w,c = a_img.shape

noise = np.random.normal(0,50,size=a_img.size).reshape(h,w,c)

a = a + noise

a = np.clip(a,0,255)

img_Gaussian = np.uint8(a)

# img_Gaussian = Image.fromarray(img_Gaussian)

# img_Gaussian.save("erha_Gaussian.png")

plt.title("erha_Gaussian")
plt.imshow(img_Gaussian,cmap="brg")
plt.show()

在这里插入图片描述
在这里插入图片描述

泊松噪声

#泊松噪声
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

a = Image.open("erha.jpg")

a = np.array(a)

a_img = np.uint8(a)
plt.imshow(a_img,cmap="brg")
plt.show()

h,w,c = a_img.shape

noise = np.random.poisson(lam=40,size=a_img.size).reshape(h,w,c)

a = a + noise

a = np.clip(a,0,255)

img_Gaussian = np.uint8(a)

# img_Gaussian = Image.fromarray(img_Gaussian)

# img_Gaussian.save("erha_Gaussian.png")

plt.title("erha_Gaussian")
plt.imshow(img_Gaussian,cmap="brg")
plt.show()

在这里插入图片描述
在这里插入图片描述

瑞利噪声

#瑞利噪声
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

a = Image.open("erha.jpg")

a = np.array(a)

a_img = np.uint8(a)
plt.imshow(a_img,cmap="brg")
plt.show()

h,w,c = a_img.shape

noise = np.random.rayleigh(scale=40,size=a_img.shape)
# noise = np.random.rayleigh(a_img,size=a_img.shape)

a = a + noise

a = np.clip(a,0,255)

img_Gaussian = np.uint8(a)

# img_Gaussian = Image.fromarray(img_Gaussian)

# img_Gaussian.save("erha_Gaussian.png")

plt.title("erha_Gaussian")
plt.imshow(img_Gaussian,cmap="brg")
plt.show()

在这里插入图片描述
在这里插入图片描述

爱尔兰（伽马）噪声

#爱尔兰（伽马）噪声
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

a = Image.open("erha.jpg")

a = np.array(a)

a_img = np.uint8(a)
plt.imshow(a_img,cmap="brg")
plt.show()

h,w,c = a_img.shape

noise = np.random.gamma(shape=10,scale=10,size=a_img.shape)
# noise = np.random.rayleigh(a_img,size=a_img.shape)

a = a + noise

a = np.clip(a,0,255)

img_Gaussian = np.uint8(a)

# img_Gaussian = Image.fromarray(img_Gaussian)

# img_Gaussian.save("erha_Gaussian.png")

plt.title("erha_Gaussian")
plt.imshow(img_Gaussian,cmap="brg")
plt.show()

在这里插入图片描述
在这里插入图片描述

指数噪声

#指数噪声(指数的英文是exponent，幂)
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

a = Image.open("erha.jpg")

a = np.array(a)

a_img = np.uint8(a)
plt.imshow(a_img,cmap="brg")
plt.show()

h,w,c = a_img.shape

noise = np.random.exponential(scale=20,size=a_img.shape)
# noise = np.random.rayleigh(a_img,size=a_img.shape)

a = a + noise

a = np.clip(a,0,255)

img_Gaussian = np.uint8(a)

# img_Gaussian = Image.fromarray(img_Gaussian)

# img_Gaussian.save("erha_Gaussian.png")

plt.title("erha_Gaussian")
plt.imshow(img_Gaussian,cmap="brg")
plt.show()

在这里插入图片描述
在这里插入图片描述

均匀噪声

#均匀噪声(均匀的英文是uniform、regular、even,此处是uniform)
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

a = Image.open("erha.jpg")

a = np.array(a)

a_img = np.uint8(a)
plt.imshow(a_img,cmap="brg")
plt.show()

h,w,c = a_img.shape

noise = np.random.uniform(low=20,high=80,size=a_img.shape)
# noise = np.random.rayleigh(a_img,size=a_img.shape)

a = a + noise

a = np.clip(a,0,255)

img_Gaussian = np.uint8(a)

# img_Gaussian = Image.fromarray(img_Gaussian)

# img_Gaussian.save("erha_Gaussian.png")

plt.title("erha_Gaussian")
plt.imshow(img_Gaussian,cmap="brg")
plt.show()

在这里插入图片描述
在这里插入图片描述

椒盐噪声

  椒盐噪声（salt and pepper,盐=白色，椒=黑色）：椒盐噪声是数字图像中的常见噪声，一般是由图像传感器、传输信道及解码处理等产生的黑白相见的亮暗点噪声，椒盐噪声常由图像切割产生。椒盐噪声是指两种噪声：盐噪声（salt noise）及椒噪声（pepper noise）。
  对于灰度图来说，盐噪声一般是白色噪声，椒噪声一般是黑色噪声，前者高灰度噪声，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。图像去除脉冲干扰及椒盐噪声最常用的算法是中值滤波，图像模拟添加椒盐噪声是通过随机获取像素值点并设置为高亮点来实现的。其公式如下：
p ( z ) = { P s z = z k − 1 P p z = 0 1 − ( P s + P p ) z = V p(z) = \begin{cases} P_s & z = z^k - 1 \\ P_p & z = 0 \\ 1 - (P_s + P_p) & z = V \end {cases} p(z)=⎩ ⎨ ⎧​Ps​Pp​1−(Ps​+Pp​)​z=zk−1z=0z=V​

#椒盐噪声
import numpy as np
import random
import matplotlib.pyplot as plt
from PIL import Image
 
def sp_noise(image, prob):
    # 添加椒盐噪声
    # prob:噪声比例
    output = np.zeros(image.shape, np.uint8)
    thres = 1 - prob  # 1 - 信噪比，得到非噪声数据的比例
    if len(image.shape) == 2:
        for i in range(image.shape[0]):
            for j in range(image.shape[1]):
                rdn = random.random()
                if rdn < prob:  #小于噪声比，置0，表示胡椒噪声
                    output[i][j] = 0
                elif rdn > thres:#大于 1 - 噪声比，置255，表示盐粒噪声
                    output[i][j] = 255
                else:
                    output[i][j] = image[i][j]
    elif len(image.shape) == 3:
        for k in range(image.shape[2]):
            for i in range(image.shape[0]):
                for j in range(image.shape[1]):
                    rdn = random.random()
                    if rdn < prob:  #小于噪声比，置0，表示胡椒噪声
                        output[i][j][k] = 0
                    elif rdn > thres:#大于 1 - 噪声比，置255，表示盐粒噪声
                        output[i][j][k] = 255
                    else:
                        output[i][j][k] = image[i][j][k]
    
    return output

img = Image.open("erha.jpg")
img = np.array(img)

plt.title("img_origin")
plt.imshow(img,cmap="brg")
plt.show()

img_sp = sp_noise(img, 0.05)

plt.title("img_sp_noise")
plt.imshow(img_sp,cmap="brg")
plt.show()

在这里插入图片描述
在这里插入图片描述

结语

  接下来，准备学习低通滤波算法吧！

Cherry Yuan
关注
  • 28
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
numpy给图片加高斯噪声
01-18 1万+
给加高斯噪声的意思，就是在原图像矩阵上面加一个符合高斯或者叫正态分布特征的矩阵。 生成随机噪声的三个方法,如果我们的目标矩阵是一个r*c的矩阵，要生成一个均值是mean，标准差sigma的随机噪声矩阵，那么是这样 sigma*np.random.randn(r,c)+mean, #输入是两个参数，一个mean，一个sigma。 sigma*np.random.standard_n
180305 手写python高斯白噪声函数
专注机器学习之路
03-05 7377
原文出处 https://wiki.woodpecker.org.cn/moin/MiscItems/2011-08-24 代码结果 代码实现 # -*- coding: utf-8 -*- """ Created on Mon Mar 5 13:41:09 2018 """ ''' SNR = [-4,-2,0,2,4,6,8,10](dB) SNR = 10*log10( s...
使用numpy分别为图像添加椒盐噪声和高斯噪声，并使用numpy实现均值滤波
Sishxo的博客
04-18 2409
import cv2 import numpy as np src=cv2.imread('lena.jpg') def saltpepper_noise(image,proportion): image_copy=image.copy() img_y, img_x=image.shape[0:2] x=np.random.randint(img_x,size=(int(proportion*img_x*img_y),)) y=np.random.randint(img_
高斯白噪声 python
buziran的专栏
03-30 1万+
numpy.random.normal()和numpy.random.randn()产生的都是高斯白噪声。 计算信噪比也就是简单的对信号的乘方求和而已，例如如果你有信号x和噪声n， 那么信噪比就是： 信噪比，为有用信号功率(Power of Signal)与噪声功率(Power of Noise)的比。因此为幅度（Amplitude）比的平方：它的单位一般使用分贝，其值为十倍对数信号与噪声功...
Python-多维矩阵添加高斯噪声
Mocode的博客
10-06 4773
python向多维矩阵添加高斯噪声总共有两个步骤：①创建多维矩阵，作为添加高斯噪声的对象；②定义高斯噪声添加的函数，在其中创建噪声并添加到原噪声中。
python生成（周期、非周期、高斯分布）的（灰度）条纹噪声
qq_2645521500的博客
02-03 1055
python生成（周期、非周期、高斯分布）的（灰度）条纹噪声
Python+OpenCV图像处理——实现轮廓发现
01-19
简介：轮廓发现是基于图像边缘提取的基础寻找对象轮廓的方法，所以边缘提取的阈值选定会影响最终轮廓发现结果。 代码如下： import cv2 as cv import numpy as np def contours_demo(image): dst = cv.Gaussian...
numpy数组示例——1、数组的创建
12-22
import numpy as np #numpy.array(object,dtype=None) a1=np.array([1,3,2,5,4],dtype=int)#一维 a2=np.array([[1,2,3,4,5,6],[3,5,7,9,11,13],[2,3,4,5,6,7]],dtype=int)#二维 a3=np.array([[[1,2,3],[2,3,4],[1,3,...
Numpy基础使用——基于jupyter
02-21
该文件是.ipynb，可直接...本文内容包括： 一、创建Ndarray数组 二、Numpy的数据类型 三、数组的切片和索引 四、Numpy广播与数组操作 五、数组合并与通用函数 六、Numpy的统计函数 七、Numpy随机数、逻辑运算与数据存取
使用numpy和PIL进行简单的图像处理方法
09-20
今天小编就为大家分享一篇使用numpy和PIL进行简单的图像处理方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Python+OpenCV图像处理——图像二值化的实现
12-16
简介：图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。 普通图像二值化 代码如下： import cv2 as cv import numpy as np #全局阈值 def threshold_demo(image...
数字图像处理——椒盐噪声、高斯噪声
m0_61497715的博客
04-04 736
【代码】数字图像处理——椒盐噪声、高斯噪声。
chatgpt赋能python：Python加噪声：让你的数据更真实，更可靠
虚幻私塾
05-26 1705
在数据分析过程中，我们往往遇到数据不完整的情况，或者数据存在某些错误。在这种情况下，我们会使用加噪声来使数据更真实且更有意义，例如在机器学习中特别常见。加噪声的目的是通过向数据中添加随机噪声，使得模型在学习和预测时更具有鲁棒性和泛化能力。本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。
图像数据噪音种类以及Python生成对应噪音
最新发布
master_hunter的博客
10-25 5401
当涉及到图像处理和计算机视觉任务时，噪音是一个不可忽视的因素。噪音可以由多种因素引起，如传感器误差、通信干扰、环境光线变化等。这些噪音会导致图像质量下降，从而影响到后续的图像分析和处理过程。因此，对于从图像中获取准确信息的应用，我们需要有效地处理这些噪音。在本篇讨论中，我们将深入探讨图像数据中常见的几种噪音类型，以及相应的处理方法，旨在提升图像处理任务的准确性和稳定性。
深度学习中高斯噪声：为什么以及如何使用
deephub
01-20 7833
通过向输入数据添加噪声，模型被迫学习对输入中的微小变化具有鲁棒性的特征，这可以帮助它在新的、看不见的数据上表现更好。生成模型：在 GAN、Generative Pre-training Transformer (GPT) 和 VAE 等生成模型中，可以在训练期间将高斯噪声添加到输入数据中，以提高模型生成新的、看不见的数据的能力。在这个例子中，生成器被训练为基于随机噪声作为输入生成新的图像，并且在生成的图像传递给鉴别器之前，将高斯噪声添加到生成的图像中。这提高了生成器生成新的、看不见的数据的能力。
python3图像加高斯噪声
Zack的博客
11-25 4204
python3 图像加高斯噪声
python3给数据添加高斯噪声
on the way . . .
10-25 2万+
Background 高斯噪声，顾名思义是指服从高斯分布（正态分布）的一类噪声。有的时候我们需要向标准数据中加入合适的高斯噪声让数据更加符合实际。 python中的random库中集成了高斯正态分布，可以直接使用。 我们可以通过调整高斯噪声均值和方差，获取不同效果的处理数据。 原始数据 高斯噪声sigma = 0.05 高斯噪声sigma = 0.1 高斯噪声sigma = 0.15 源码 import random import numpy as np from matplotlib i
向数据中添加高斯噪声
热门推荐
Tuomx的博客
10-15 3万+
什么是高斯噪声高斯噪声既是符合高斯正态分布的误差。一些情况下我们需要向标准数据中加入合适的高斯噪声会让数据变得有一定误差而具有实验价值。高斯噪声还有一些其他用途但是我不太了解，这里我是为了实现多项式拟合正弦曲线，生成数据时，采用了添加高斯噪声的方法。添加高斯噪声 实际上python的random库中集成了高斯正态分布，可以直接使用（越来越爱python了）。 一般我们都选择0作为高斯噪声的均值，方差
给图片添加高斯噪声与椒盐噪声、Python实现以及Python实例
先说一下，就简单地写点儿氵文，不是博客，只是我的笔记本
03-09 1万+
高斯噪声，是指服从高斯分布（正态分布）的一类噪声，通常是因为不良照明和高温引起的传感器噪声,如下图： 左上角第一个图是原图，其余图片分别是参数sigma取不同值时的图片: 这是其噪声图片可视化: 椒盐噪声，也称为脉冲噪声，成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。如下图所示: 左上角第一......
numpy的图像处理
09-29
numpy是一个功能强大的数学库，也可以用于图像处理。通过numpy，你可以对图像进行各种操作，例如颜色通道分离、灰度图转换等。 要获取图像的颜色通道，你可以使用get_color_channels函数。这个函数会将图像的RGB三个通道分离出来，并返回一个包含各通道数据的列表。 要生成一个全黑的图像，你可以使用np.zeros函数。通过指定shape参数为(500,500,3)，并将dtype参数设置为np.uint8，你将得到一个尺寸为500x500，每个像素值为0的黑色图像。 对于灰度图转换，你可以使用点积的方法。通过定义一个权重数组temp = np.array([ 0.299, 0.587, 0.114])，你可以将图像与temp进行点积运算，并使用cmap="gray"参数来显示灰度图像。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Cherry Yuan

再多的奖励也换不回失去的头发

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值