【OpenCV-Python】：对图像添加高斯噪声与椒盐噪声

✨博客主页：王乐予🎈
✨年轻人要：Living for the moment（活在当下）！💪
🏆推荐专栏：【图像处理】【千锤百炼Python】【深度学习】【排序算法】

😺一、高斯噪声

高斯噪声指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。

🐶1.1 API添加

🦄1.1.1 函数API

我们需要使用skimage库中的函数为图像添加高斯噪声。

函数式：skimage.util.random_noise(image, mode=‘gaussian’, seed=None, clip=True, **kwargs)

参数介绍：

函数式：skimage.util.random_noise(image, mode=‘gaussian’, seed=None, clip=True, **kwargs)

参数介绍：
image：输入图像，类型为ndarray；
mode：噪声类别，有以下几种：
    'gaussian'：高斯噪声；
    'localvar'：高斯分布的加性噪声，在图像每个点都有特点的局部方差；
    'poisson'：泊松噪声；
    'salt'：盐噪声，随机将图像像素值变为1；
    'pepper'：椒噪声，随机将图像像素值变为0或-1；
    's&p'：椒盐噪声；
    'speckle'：均匀噪声，（均值mean方差variance），out=image+n*image，n是具有指定均值和方差的均匀噪声；
seed：可选，int型，如果选择的话，则会在生成噪声前设置随机种子；
clip：可选，bool型，若为True(default)则在加入‘speckle’,‘poisson’,或 ‘gaussian’这三种噪声后，
      进行剪切以保证图像数据点都在[0,1]或[-1.1]之间。若为False，则数据可能超出这个范围；
mean：可选，float型，用于’gaussian’和‘speckle’的均值设置，默认为0；
var：可选，float型，用于’gaussian’和‘speckle’的方差设置，默认为0.01；
local_vars：可选，ndarray型，用于‘localvar’的图像每个像素点处的局部方差设置；
amount：可选，float型，用于‘salt’,‘pepper’和‘s&p’的噪声比例，默认为0.05；
salt_vs_pepper：可选，float型，用于's&p'中盐噪声与椒噪声的比例，范围为[0, 1]，默认为0.5；

🦄1.1.2 程序设计

from skimage import util
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np

img1 = Image.open(r"G:\picture\lena1.jpg")
img = np.array(img1)

noisy1 = util.random_noise(img, mode='gaussian', mean=0, var=0.01)
noisy2 = util.random_noise(img, mode='gaussian', mean=0.1, var=0.01)
noisy3 = util.random_noise(img, mode='gaussian', mean=0, var=0.2)

plt.subplot(221)
plt.title('original')
plt.xticks([])   # remove ticks
plt.yticks([])
plt.imshow(img1)

plt.subplot(222)
plt.title('mean=0, var=0.01')
plt.xticks([])   # remove ticks
plt.yticks([])
plt.imshow(noisy1)

plt.subplot(223)
plt.title('mean=0.1, var=0.01')
plt.xticks([])   # remove ticks
plt.yticks([])
plt.imshow(noisy2)

plt.subplot(224)
plt.title('mean=0, var=0.2')
plt.xticks([])   # remove ticks
plt.yticks([])
plt.imshow(noisy3)

plt.show()

🦄1.1.3 运行结果

🐶1.2 自定义函数添加

🦄1.2.1 程序设计

import numpy as np
import cv2

def gaussian_noise(image, mean, var):

    image = np.array(image / 255, dtype=float)
    noise = np.random.normal(mean, var ** 0.5, image.shape)
    out = image + noise

    if out.min() < 0:
        low_clip = -1.
    else:
        low_clip = 0.

    out = np.clip(out, low_clip, 1.0)
    out = np.uint8(out * 255)

    return out

image = cv2.imread(r"G:\picture\lena1.jpg")

noisy1 = gaussian_noise(image, mean=0, var=0.01)
noisy2 = gaussian_noise(image, mean=0.1, var=0.01)
noisy3 = gaussian_noise(image, mean=0, var=0.2)

h1 = np.hstack([image, noisy1])
h2 = np.hstack([noisy2, noisy3])
v = np.vstack([h1, h2])

cv2.imshow('out', v)
cv2.waitKey()

🦄1.2.2 运行结果

😺二、椒盐噪声

椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点。

🐶2.1 API添加

🦄2.1.1 程序设计

from skimage import util
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
import cv2

img1 = Image.open(r"G:\picture\lena1.jpg")
img = np.array(img1)

noisy1 = util.random_noise(img, mode='s&p', amount=0.05)
noisy2 = util.random_noise(img, mode='s&p', amount=0.1)
noisy3 = util.random_noise(img, mode='s&p', amount=0.2)

plt.subplot(221)
plt.title('original')
plt.xticks([])   # remove ticks
plt.yticks([])
plt.imshow(img1)

plt.subplot(222)
plt.title('amount=0.05')
plt.xticks([])   # remove ticks
plt.yticks([])
plt.imshow(noisy1)

plt.subplot(223)
plt.title('amount=0.1')
plt.xticks([])   # remove ticks
plt.yticks([])
plt.imshow(noisy2)

plt.subplot(224)
plt.title('amount=0.2')
plt.xticks([])   # remove ticks
plt.yticks([])
plt.imshow(noisy3)

plt.show()

🦄2.1.2 运行结果

🐶2.2 自定义函数添加

🦄2.2.1 程序设计

import numpy as np
import cv2
import random

def sp_noise(image, amount):

    output = image.copy()
    threshold = 1 - amount

    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdm = random.random()
            if rdm < amount:
                output[i][j] = 0
            elif rdm > threshold:
                output[i][j] = 255

    return output

image = cv2.imread(r"G:\picture\lena1.jpg")

noisy1 = sp_noise(image, amount=0.05)
noisy2 = sp_noise(image, amount=0.1)
noisy3 = sp_noise(image, amount=0.2)

h1 = np.hstack([image, noisy1])
h2 = np.hstack([noisy2, noisy3])
v = np.vstack([h1, h2])

cv2.imshow('out', v)
cv2.waitKey()

🦄2.2.2 运行结果