9 - 噪声模型

最新推荐文章于 2024-06-14 23:27:39 发布
最新推荐文章于 2024-06-14 23:27:39 发布
阅读量3.1k 收藏 17
点赞数 3
分类专栏： 图像处理 # BMP 图片处理
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_40905739/article/details/105094899
版权

参考资料：
图像处理（12）–图像各种噪声及消除方法
图像噪声
C++ 中关于 random 的相关介绍

噪声模型

0、前言

  • 图像在获取、传输的过程中，受干扰的影响，会产生噪声。噪声是一种错误的信号，会干扰正常信号，造成图像毛糙。也就是说，对于任何图像中我们不关心的信息或者说干扰了我们认为的有用信息，都可以统称为噪声。因此需要对图像进行去噪处理。图像去噪是一种信号滤波的方法，目的是保留有用信号，去掉噪声信号。本篇文章记录噪声的模型。

  • 相关模型如下所示

在这里插入图片描述

1、噪声的来源

  • 图像获取过程中。图像传感器CCD和CMOS采集图像过程中受传感器材料属性、工作环境、电子元器件和电路结构等影响，会引入各种噪声。

  • 图像信号传输过程中。传输介质和记录设备等的不完善，数字图像在其传输记录过程中往往会受到多种噪声的污染。

2、噪声的分类

  • 按照产生噪声的原因可以分为外部噪声和内部噪声

  • 按照噪声与信号的关系可以分为加性噪声和乘性噪声；

  • 按照噪声的频谱可以分为白噪声、1/f噪声和三角噪声；

  • 按照噪声的概率密度函数可以分为高斯噪声、瑞利噪声、伽马噪声、指数分布噪声、均匀分布噪声和椒盐噪声(脉冲噪声)等等。

    其中最为常见的噪声处理方式是将以概率密度函数的分类来对不同的噪声进行相关的处理。噪声一般是由图像的统计特性（直方图）来描述，也可被认是由概率密度函数（PDF）表示的随机变量。

3、高斯噪声

/************************************************************
*Function:		Gaussian
*Description:	随机生成正态分布数据，最大值为 1 / ( sqrt(2*PI) * sigma ) 　
*Params:		sigma - 标准差
*				e - 均值
*Return:		X * sigma + e ，符合正态分布的随机数　
************************************************************/
double Gaussian(double sigma, double e)
{
    static double V1, V2, S;
    static int phase = 0;
    double X;

    if (phase == 0) {
        do {
            double U1 = (double)rand() / RAND_MAX;
            double U2 = (double)rand() / RAND_MAX;

            V1 = 2 * U1 - 1;
            V2 = 2 * U2 - 1;
            S = V1 * V1 + V2 * V2;
        } while (S >= 1 || S == 0);

        X = V1 * sqrt(-2 * log(S) / S);
    }
    else {
        X = V2 * sqrt(-2 * log(S) / S);
    }

    phase = 1 - phase;

    return X * sigma + e;
}
  • 添加噪声
/************************************************************
*Function:		addGaussianNoise
*Description:	添加高斯噪声
*Params:		img - 待处理图像
*				sigma- 标准差
*				e - 均值
*Return:		dstImg - 结果图像
************************************************************/
struct GrayFrameInfo addGaussianNoise(struct GrayFrameInfo img, double sigma, double e)
{
	GrayFrameInfo dstImg = dstImg.createNewImgSpace(img);
	
    for (int i = 0; i < img.height; i++) {
        for (int j = 0; j < img.width; j++) {                    
            int gray = (int)(img.arr[i][j] + Gaussian(sigma, e));
			dstImg.arr[i][j] = Clipping(gray, 0, 255);
        }
    }

	return dstImg;
}
  • 调用与显示。
	GrayFrameInfo img = img.createNewImgSpace(460, 380);
    for (int i = 0; i < img.height; i++) {
        for (int j = 0; j < img.width; j++) {
            img.arr[i][j] = 0;
        }
    }
	
	// 标准差为 30.0，均值为 50.0，说明最大值约为 0.0134，对称轴为 50
    GrayFrameInfo dstImg = addGaussianNoise(img, 30.0, 50.0);

说明：在直方图统计中，可以看出对称轴在 50，该值为 0.013283752860412，符合计算。但当正态分布出现小于 0 的数据时，因为图片的保存为正整数的保存，所以小于 0 的部分都会变为 0 所在区域的直方图堆积。

在这里插入图片描述
说明：当均值量为 0 的时候，效果更加明显，如下所示。

	// 标准差为 30.0，均值为 0，说明最大值约为 0.0134，但因为关于 y轴 对称，所以在 0 点处的值为 0.5 +  0.0134
    GrayFrameInfo dstImg = addGaussianNoise(img, 30.0, 0);

在这里插入图片描述

  • 在 C++ 中集成相关随机数算法(random)，下面为用来标准库来生成正态分布的随机数
/************************************************************
*Function:		addGaussianNoise
*Description:	添加高斯噪声，使用 random 标准库函数生成正态分布的随机数
*Params:		img - 待处理图像
*				sigma- 标准差
*				e - 均值
*Return:		dstImg - 结果图像
************************************************************/
struct GrayFrameInfo addGaussianNoise(struct GrayFrameInfo img, double sigma, double e)
{           
    // 定义成 static 相关类型变量，每次编译调用取值；否则编译器只会生成一次随机数，在调用时该值一直保持不变
    static std::default_random_engine generator;                        // 定义随机种子，使用默认            
    static std::normal_distribution<double> distribution(e, sigma);     // 定义正态分布的随机值

    GrayFrameInfo dstImg = dstImg.createNewImgSpace(img);               // 创建新的图像空间
	
    // 向 结果图像 中添加噪声
    for (int i = 0; i < img.height; i++) {
        for (int j = 0; j < img.width; j++) {                   
            double gaussian = distribution(generator);                  // 取值
            int gray = (int)(img.arr[i][j] + gaussian);
			dstImg.arr[i][j] = Clipping(gray, 0, 255);
        }
    }

	return dstImg;
}

4、均匀噪声

  • 说明。均匀噪声的相关 PDF 函数如下所示：
    在这里插入图片描述

  • 利用 库函数 来实现随机数的生成

/************************************************************
*Function:		addUniformNoise
*Description:	添加均匀分布的噪声
*Params:		img - 待处理图像
*				a - 左闭区间
*				b - 右闭区间
*Return:		dstImg - 结果图像
************************************************************/
struct GrayFrameInfo addUniformNoise(struct GrayFrameInfo img, uint8_t a, uint8_t b)
{       
    // 生成均匀分布的随机数
    static std::default_random_engine generator;
    static std::uniform_int_distribution<int> distribution(a, b);

    GrayFrameInfo dstImg = dstImg.createNewImgSpace(img);

    for (int i = 0; i < img.height; i++) {
        for (int j = 0; j < img.width; j++) {                        
            int uniform = distribution(generator);
            int gray = uniform + img.arr[i][j];
            dstImg.arr[i][j] = Clipping(gray, 0, 255);
        }
    }

    return dstImg;
}
  • 样例调用、展示。可以近似得认为在 [a, b] 内均匀分布
	GrayFrameInfo img = img.createNewImgSpace(460, 380);
    for (int i = 0; i < img.height; i++) {
        for (int j = 0; j < img.width; j++) {
            img.arr[i][j] = 0;
        }
    }

    GrayFrameInfo dstImg = addUniformNoise(img, 100, 150);

在这里插入图片描述

5、椒盐噪声

  • 椒盐噪声是指两种噪声：盐噪声（salt noise）及椒噪声（pepper noise）。盐噪声一般是白色噪声，椒噪声一般是黑色噪声。
    在这里插入图片描述
  • 说明
	// 构造一张空白图片
	GrayFrameInfo dstImg = dstImg.createNewImgSpace(200, 200);

	// 将图片的灰度值都定义为 100 
    for (int i = 0; i < dstImg.height; i++) {
        for (int j = 0; j < dstImg.width; j++) {                
            dstImg.arr[i][j] = 100;
        }
    }

	// 添加椒盐噪声
    for (int i = 0; i < dstImg.height; i++) {
        for (int j = 0; j < dstImg.width; j++) {
            noise_p = rand() % 10;					// 设置椒盐噪声的总比例
            if (noise_p == 0) {						// 占据 1 / 10
                int temp = rand() % 2;				// 设置椒盐比例，各为 1/2
                if (temp)							// 添加椒噪声
                    dstImg.arr[i][j] = 0x00;
                else								// 添加盐噪声
                    dstImg.arr[i][j] = 0xff;
            }
        }
    }
  • 结果图片

在这里插入图片描述

  • 函数
/************************************************************
*Function:		addImpulseNoise
*Description:	添加椒盐噪声
*Params:		img - 待处理图像
*				p - 椒盐噪声的总占比，范围为[0-100]，椒盐噪声 / 图像，其中该值必须为正整数，单位为 1/100
*				a - 椒噪声所占比例，范围为[0-10]，椒噪声 / 椒盐噪声，必须为正整数，单位为 1/10
*Return:		dstImg - 结果图像
************************************************************/
struct GrayFrameInfo addImpulseNoise(struct GrayFrameInfo img, uint8_t p, uint8_t a)
{
    GrayFrameInfo dstImg = dstImg.createNewImgSpace(img);

    int noise_p = 0;
    srand((unsigned)time(NULL));                // time_t是64位的，而srand接受32位的unsigned int；所以需要强制类型转换，否则会有警告
    for (int i = 0; i < dstImg.height; i++) {
        for (int j = 0; j < dstImg.width; j++) {
            noise_p = rand() % 100;
            if (noise_p < p) {                  // 设置椒盐噪声的总比例
                int temp = rand() % 10;
                if (temp < a)                   // 添加椒噪声所占比例
                    dstImg.arr[i][j] = 0x00;
                else
                    dstImg.arr[i][j] = 0xff;
            }
            else {
                dstImg.arr[i][j] = img.arr[i][j];
            }
        }
    }

    return dstImg;
}
  • 最终结果显示
	GrayFrameInfo dstImg = addImpulseNoise(img, 20, 3);

在这里插入图片描述

6、指数噪声

  • 说明
    在这里插入图片描述

  • 函数

/************************************************************
*Function:		addExponentialNoise
*Description:	添加指数噪声
*Params:		img - 待处理图像
*				a - 指数噪声的指数
*Return:		dstImg - 结果图像
************************************************************/
struct GrayFrameInfo addExponentialNoise(struct GrayFrameInfo img, double a)
{
    // 根据指数分布产生浮点值
    static std::default_random_engine generator;
    static std::exponential_distribution<double> distribution(a);

    GrayFrameInfo dstImg = dstImg.createNewImgSpace(img);

    for (int i = 0; i < img.height; i++) {
        for (int j = 0; j < img.width; j++) {            
            double exponential = distribution(generator);
            int gray = (int)(img.arr[i][j] + exponential);
            dstImg.arr[i][j] = Clipping(gray, 0, 255);
        }
    }

    return dstImg;
}
  • 示例
	GrayFrameInfo img = img.createNewImgSpace(460, 380);
    for (int i = 0; i < img.height; i++) {
        for (int j = 0; j < img.width; j++) {
            img.arr[i][j] = 100;
        }
    }

    GrayFrameInfo dstImg = addExponentialNoise(img, 0.06);
  • 结果图像，可以看到其整体偏移，峰值约为 0.06。

在这里插入图片描述

一只连 ID 都重复的菜狗
关注
  • 3
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
噪声模型
Fan_nie的博客
11-07 9304
例：在灰度图像中加入均值为0，方差为0.02的高斯噪声，通过100次相加求平均的方法去除所加的噪声，比较显示原图、加噪图与去噪图。 I=imread('dragon.jpg');%读取图像 x=rgb2gray(I);%转换为灰度图像 subplot(1,3,1);%分区绘图 imshow(x);%显示图像 title('原图');%给图像加标题 J=imnoise(x,'gaussian',0...
噪音通道模型_噪声模型
weixin_39759918的博客
12-22 399
噪声模型数字图像的噪声主要来源于图像的获取(数字化过程)和传输过程。图像传感器的工作情况受各种因素的影响，如图像获取中的环境条件和传感元器件自身的质量。例如，使用CCD摄像机获取图像，光照程度和传感器温度是生成图像中产生大量噪声的主要因素。图像在传输过程中主要由于所用的传输信道的干扰受到噪声污染。比如，通过无线网络传输的图像可能会因为光或其他大气因素的干扰被污染。一.噪声的空间和频率特性相关的讨论...
因果推断读书笔记：功能性因果发现、LiNGAM、加性噪声模型
最新发布
qq5q13638的博客
06-14 667
介绍了几种重要的因果发现方法，具体包括功能性因果发现（Functional Causal Discovery）、加性噪声模型（Additive Noise Model, ANM）和线性非高斯有向无环图模型（LiNGAM）。这些方法旨在通过分析数据中变量之间的关系来确定因果方向。
图像处理中的噪声模型
11-16
图像处理中的噪声模型，用处对图像的噪声的理解，以及在图像处理中进行应用。
数字图像处理：噪声模型（椒盐噪声、随机噪声、高斯噪声）和滤波方法
热门推荐
$firecat利白的代码足迹$
01-18 4万+
图像噪声是图像在获取或传输过程中受到随机信号干扰，妨碍人们对图像理解及分析的信号。很多时候将图像噪声看作多维随机过程，因而描述噪声的方法完全可以借用随机过程的描述，即使用其概率分布函数和概率密度分布函数。图像噪声的产生来自图像获取中的环境条件和传感元器件自身的质量，图像在传输过程中产生图像噪声的主要因素是所用的传输信道受到噪声污染。 一、噪声类型 1、椒盐噪声（盐=白色，椒=黑色） 椒盐......
【图像处理】常见图像噪声模型和生成方法
artzers的专栏
05-07 1万+
常见的噪声模型有(z是噪声值，μ表示均值，s2表示方差)： 1、高斯噪声 2、瑞里噪声μ=a+sqrt(pi*b/4),s2=b(4-pi)/4 3、伽马噪声 μ=b/a,s2=b/a^2 4、指数分布噪声 μ=1/a,s2=1/a^2 5、均匀分布噪声 μ=(a+b)/2,s2=(b-a)^2/12 6、椒盐噪声其中盐表示亮点，椒表示暗点。 7、周期噪声，比如空间域图像受到正弦波信
基于测量的仿真：利用来自实验室测量的数据提高 IBIS-AMI 模型的准确性
03-01
然而，标准的IBIS模型仅考虑基本的电气特性，无法充分反映真实系统的复杂行为，如抖动和噪声。因此，将实验室测量数据融入IBIS-AMI模型可以显著提高仿真精度。 本文重点探讨了如何通过频谱分析仪和特定数据模式来...
CGH40010-ADS模型
03-14
CGH40010-ADS模型可能是这个特定器件的一个仿真模型，包含了该器件的电气特性，如增益、噪声系数、频率响应等。 压缩包文件"CGH40_r6_converted"可能包含的是CGH40010模型的不同版本或格式转换后的文件。"r6"可能...
数据回归-噪声特性的回归模型及其在短期风速预报中的应用.pdf
06-26
我们提出了一种新的核岭回归框架，称为N-KRR（噪声-核岭回归），以及一种针对一般噪声模型的新支持向量回归模型，称为N-SVR（噪声-支持向量回归）。经典的GN-KRR和GN-SVR技术假定噪声是零均值且方差相同的高斯分布，...
公路交通噪声预测模型 (2005年)
05-22
基于声传播的基本特性，提出了一个简化的公路交通噪声预测模型。该模型的推导是根据A计权声压级计算公式，采用常规噪声测量方法估计预测模型参数得出的，同时根据汽车噪声源引起的地面效应以及涡流对声波传播的影响，对模型进行了修正。利用该模型可以预测一个稳态源的声压级LA（如汽车起步和停车时）和移动声源的时间平均声压级LAeqT（如一段时间内的公路交通噪声）。仿真结果表明，几何散布、地面效应和涡流是影响交通噪声传播的重要因素；在对LAeqT瞬态测量时，必须有足够的测量时间以确保机动车采样具有代表性。实地测量验证了该预
Phase Noise to Jitter：来自相位噪声与频率数据的抖动 根据相位噪声功率计算 RMS 抖动。-matlab开发
05-31
用法： 抖动 = Pn2Jitter(f, Lf, fc) 输入： f：频率矢量（相位噪声断点），以Hz为单位，行或列。 Lf：相位噪声矢量，单位为 dBc/Hz，与 f 相同的维度、大小（）。 fc：载波频率，以Hz为单位。 输出： 抖动：RMS 抖动，以秒为单位。 相位噪声数据可以来自图形信息或实际测量数据。 注释标题文档提供了多个使用示例，并与应用笔记、网站、Excel 工作表和专用相位噪声实验室测量设备中提供的其他相位噪声抖动计算器进行比较。 例子： >> f = [10^0 10^1 10^3 10^4 10^6]; Lf = [-39 -73 -122 -131 -149]; >> 抖动 = Pn2Jitter(f, Lf, 70e6) 抖动 = 2.3320e-011 给出了相同数据集计算的其他四个示例，范围从 21.135 到 24.56ps。 更多数据集示例
加性噪声与乘性噪声
09-02
加性噪声与乘性噪声的性质，区别和联系，继而进行选择和判断。
噪声对比估计的神经语言模型
haimizhao的白板
09-19 2489
噪声对比估计的神经语言模型 GAN、skip-gram都提到或用到了NCE(Noise Contrastive Estimation)，在NLP领域首次应用NCE就是这篇文章了 A fast and simple algorithm for training neural probabilistic language models 简介 以极大似然估计为目标
相位噪声理论简记（I）Hajimiri模型
dongdaxiaobai的博客
06-26 8603
LC振荡器的相位噪声在2000年前后是一个很热门的研究课题。即使到现在，LC振荡器的相位噪声机理也没有完全解释的清清楚楚的理论，但是现有的模型已经能提供很好的仿真结果，所以对其深入研究已经不是一般人能玩的起的了。最近在回头补相关内容，对相位噪声的经典理论作一个感性的回溯。 1、Leeson模型 Lesson模型是在RCL谐振腔的简单计算上引入了两项修正得到的。这两项修正的目的，一个是根据实验结...
乘性噪声估计
qq_41327049的博客
03-23 523
估计图像中的乘性噪声是一个相对复杂的过程，通常涉及到对图像信号和噪声的统计特性的深入分析。乘性噪声与图像的原始信号是相关的，并随图像信号的变化而变化，如飞点扫描图像中的噪声、电视扫描光栅、胶片颗粒造成等。乘性噪声的数学模型可以表示为 f(x, y) = g(x, y) [1 + v(x, y)]，其中 g(x, y) 是原始图像信号，v(x, y) 是噪声项。需要注意的是，估计图像中的乘性噪声是一个具有挑战性的任务，因为乘性噪声与图像信号本身相关，这使得分离和估计噪声变得更加困难。
【模型泛化：偏差、方差、噪声】
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
07-05 1803
转载 https://blog.csdn.net/Robin_Pi/article/details/104539998 模型泛化1. 泛化性能分析1.1 概论1.
噪音通道模型_噪声信道模型（NoiseChannelModel)
weixin_39665379的博客
12-22 1300
9.4.2 噪声信道模型(Noise Channel Model )噪声信道模型可以理解为正确的查询通过一个噪声信道传输，在传输过程中受到外界 千扰，导致在信息接收端收到的杳询发生错误，图9-11是噪声信道模型的原理示意。给定错误查询V及其对应的可能正确査询W，噪声信道模型将査询纠错任务转换成了 估汁概率P(W|V),其含义是：接收到错误的杳询V,这个查询对应的正确查询是W的概 率有多大，对于多个...
MS-garch-MEDAS模型特色
05-10
MS-GARCH-MEDAS模型是一种基于GARCH模型和多元分形分析的时间序列模型，它的特色主要体现在以下几个方面： 1. 多元分形分析技术：MS-GARCH-MEDAS模型采用多元分形分析技术对时间序列数据进行处理，能够有效地捕捉数据的非线性、非平稳和自相似性特征，提高了模型的准确性和稳定性。 2. 多元GARCH模型：MS-GARCH-MEDAS模型采用多元GARCH模型对时间序列数据的波动进行建模，能够更准确地描述数据的波动特征，从而提高了模型的预测精度。 3. MEDAS算法：MS-GARCH-MEDAS模型采用基于最大熵谱分析的MEDAS算法对时间序列数据进行分析，能够有效地提取数据的主要频率成分，从而减少了模型的噪声干扰，提高了模型的预测能力。 4. 高效性和灵活性：MS-GARCH-MEDAS模型具有高效性和灵活性，能够快速适应不同类型的时间序列数据，同时具有很强的可解释性和可靠性。
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
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