图像噪声模型的可视化之python实现----冈萨雷斯图像处理

最新推荐文章于 2024-10-12 12:26:23 发布

筱筱西雨

最新推荐文章于 2024-10-12 12:26:23 发布

阅读量1k

点赞数 14

分类专栏：图像处理文章标签： python 图像处理计算机视觉 opencv

本文链接：https://blog.csdn.net/qq_49370210/article/details/134609827

版权

图像处理专栏收录该内容

49 篇文章 11 订阅

订阅专栏

图像噪声模型的可视化

数字图像中，噪声主要来源于图像的获取和/或传输过程。我们假设噪声独立于空间坐标，并且噪声与图像本身不相关（即像素值与噪声分量的值之间不相关）。因此我们关心的空间噪声描述子就是噪声灰度值的统计特性，可以认为它们是由概率密度函数（PDF）表征的随机变量。图像处理应用中最常见的PDF有如下几类：
(1)高斯噪声是一种统计性噪声，高斯噪声的概率密度分布等于正态分布。随机高斯噪声可以呗加入到图像中，产生噪声图像。高斯噪声也叫做电子噪声，因为它主要产生在放大器或者探测器中：原子的热振荡和物体的辐射能态的离散性。高斯噪声的幅度取决于标准差σ，σ越大，噪声幅度越大。

在这里插入图片描述

(2)脉冲噪声
有三种脉冲噪声：盐粒噪声，胡椒噪声，椒盐噪声。
盐粒噪声：随机添加到图像上的像素值为255的白点噪声。
胡椒噪声：随机添加到图像上的像素值为0的黑点噪声。
椒盐噪声：以上两种噪声的随机混合添加。该噪声也称作随机丢弃噪声，因为它会依概率随机丢弃一些原始的像素值。主要来源于成像系统的感知单元的故障。
编写代码，输出如下图所示的结果：

在这里插入图片描述
结果显示了添加噪声后的图像及其直方图。所加噪声有三种：(1)均值为0，方差为0.01的高斯噪声；(2)胡椒和盐粒概率分别为0.05的椒盐噪声；(3)scale为30的瑞利噪声。

import cv2
import numpy as np
import skimage
from matplotlib import pyplot as plt

img = cv2.imread('Fig0503.tif')
hist = cv2.calcHist([img],[0], None, [256], [0, 255])

img1 = skimage.util.random_noise(img, mode='gaussian', seed=None, clip=False, mean=0, var=0.01)
img_n = 255*(img1-img1.min())/(img1.max()-img1.min())
img_n = img_n.astype(np.uint8)
hist1 = cv2.calcHist([img_n],[0],None, [256], [0, 255])

img2 = skimage.util.random_noise(img, mode='s&p')
img_m = 255*(img2-img2.min())/(img2.max()-img2.min())
img_m = img_m.astype(np.uint8)
hist2 = cv2.calcHist([img_m],[0],None, [256], [0, 255])

img3 = skimage.util.random_noise(img, mode='speckle')
img_o = 255*(img3-img3.min())/(img3.max()-img3.min())
img_o = img_o.astype(np.uint8)
hist3 = cv2.calcHist([img_o],[0],None, [256], [0, 255])

plt.subplot(2,4,1)
plt.title('original')
plt.imshow(img)
plt.subplot(2,4,5)
plt.plot(hist)

plt.subplot(2,4,2)
plt.title('gaussian')
plt.imshow(img1)
plt.subplot(2,4,6)
plt.plot(hist1)

plt.subplot(2,4,3)
plt.title('s&p')
plt.imshow(img2)
plt.subplot(2,4,7)
plt.plot(hist2)

plt.subplot(2,4,4)
plt.title('rayleigh')
plt.imshow(img3)
plt.subplot(2,4,8)
plt.plot(hist3)

plt.show()

代码实现结果

在这里插入图片描述

(1)均值为0，方差为0.01的高斯噪声；(2)胡椒和盐粒概率分别为0.05的椒盐噪声；(3)scale为30的瑞利噪声。
高斯噪声是理论研究中最常见的噪声。一般而言，对一个抗噪系统而言高斯噪声是最恶劣的噪声，设计系统时只要能够抵抗高斯噪声，那么系统性能就有保证。
高斯噪声也是现实生活中极为常见的。根据中心极限定理，在自然界中，一些现象受到许多相互独立的随机因素的影响，如果每个因素所产生的影响都很微小，那么总的影响可以看作是服从正态分布的。
高斯随机变量z的概率密度函数由下式给出：
在这里插入图片描述
其中，z表示灰度值，μ表示的平均值或期望值，σ表示的标准差。标准差的平方σ称为的方差。

瑞利噪声:当一个随机二维向量的两个分量呈独立的、有着相同的方差的正态分布时，这个向量的模呈瑞利分布。服从这种分布的噪声即瑞利噪声，其概率密度函数由下式给出:
在这里插入图片描述

脉冲噪声（椒盐噪声）
（双极）脉冲噪声的概率密度函数可由下式给出：
在这里插入图片描述
如果b＞a，则灰度值在图像中将显示为一个亮点，反之则的a值将显示为一个暗点。若Pa或Pb其中之一为零，则脉冲噪声称为单极脉冲(盐噪声或椒噪声)。如果Pa和Pb均不为零，尤其是它们近似相等时，则脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒，故称为椒盐噪声。椒盐噪声是视觉上最为明显的一种噪声，噪声脉冲可以是正的，也可以是负的。
以上介绍的各种噪声可以用于对实际当中的图像退化建模。在一幅图像中，高斯噪声的产生源于电子电路噪声和由低照明或高温带来的传感器噪声。瑞利密度分布在图像范围内特征化噪声现象时非常有用。指数密度分布和伽玛密度分布在激光成像中有一些应用。椒盐噪声主要表现在成像中的短暂停留，例如错误的开关操作。均匀分布是实践中出现得最少的噪声，但可以根据均匀噪声产生其他噪声。