使用skimage为图像添加高斯噪声

前言

需要增加数据集,对图像进行增广

代码

from skimage.io import imread
from skimage import img_as_float
from skimage.util import random_noise
import matplotlib.pylab as plt
import os



if __name__ == '__main__':
    images_dir = "D:/pycodes/python_image_processing/9781789343731_Code/images"
    file_name = "parrot.png"
    file_path = os.path.join(images_dir,file_name)

    im = img_as_float(imread(file_path))

    # 添加高斯噪声
    plt.figure(figsize=(15,12))
    sigmas = [0.1,0.25,0.5,1]
    for i in range(4):
        noisy = random_noise(im,var=sigmas[i]**2)
        plt.subplot(2,2,i+1),plt.imshow(noisy),plt.axis('off')
        plt.title(f'gaussian noise with sigma={str(sigmas[i])}',size=20)        

    plt.show()

输出

在这里插入图片描述

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,您的问题是如何利用skimage实现中值滤波和斯滤波以及改进自适应中值滤波算法对分别添加噪声、椒盐噪声和混合噪声的一张图像进行去噪,输出峰值信噪比、均方误差和结构相似性,要求改进自适应中值滤波效果最好。 首先,您需要导入必要的库和图像文件。接下来,您可以使用以下代码进行中值滤波和斯滤波: ``` from skimage.filters import median, gaussian # 中值滤波 img_median = median(img, selem=None, out=None, mask=None, shift_x=False, shift_y=False) # 斯滤波 img_gaussian = gaussian(img, sigma=1, truncate=4) ``` 其中,`img`是您要进行滤波的图像,`sigma`是斯滤波的标准差。 接下来,您可以使用以下代码进行自适应中值滤波: ``` from skimage.filters import median def adaptive_median_filter(img, max_window_size): img_out = np.zeros(img.shape) for i in range(img.shape[0]): for j in range(img.shape[1]): window_size = 3 while window_size <= max_window_size: window = img[max(0, i - window_size // 2):min(img.shape[0], i + window_size // 2 + 1), max(0, j - window_size // 2):min(img.shape[1], j + window_size // 2 + 1)] if np.min(window) < np.median(window) < np.max(window): img_out[i, j] = np.median(window) break else: window_size += 2 if window_size > max_window_size: img_out[i, j] = img[i, j] return img_out img_adaptive_median = adaptive_median_filter(img, 7) ``` 其中,`max_window_size`表示滤波窗口的最大尺寸,`img`是您要进行滤波的图像。 接下来,您可以使用以下代码分别添加噪声、椒盐噪声和混合噪声: ``` from skimage.util import random_noise # 添加噪声 img_gaussian_noise = random_noise(img, mode='gaussian', var=0.01) # 添加椒盐噪声 img_salt_pepper_noise = random_noise(img, mode='s&p', amount=0.05) # 添加混合噪声 img_mixed_noise = random_noise(img, mode='gaussian', var=0.01) + random_noise(img, mode='s&p', amount=0.05) ``` 其中,`img`是您要添加噪声图像,`var`是噪声的方差,`amount`是椒盐噪声的比例。 最后,您可以使用以下代码计算峰值信噪比、均方误差和结构相似性: ``` from skimage.metrics import peak_signal_noise_ratio, mean_squared_error, structural_similarity # 峰值信噪比 psnr_median = peak_signal_noise_ratio(img, img_median) psnr_gaussian = peak_signal_noise_ratio(img, img_gaussian) psnr_adaptive_median = peak_signal_noise_ratio(img, img_adaptive_median) # 均方误差 mse_median = mean_squared_error(img, img_median) mse_gaussian = mean_squared_error(img, img_gaussian) mse_adaptive_median = mean_squared_error(img, img_adaptive_median) # 结构相似性 ssim_median = structural_similarity(img, img_median, data_range=img.max() - img.min()) ssim_gaussian = structural_similarity(img, img_gaussian, data_range=img.max() - img.min()) ssim_adaptive_median = structural_similarity(img, img_adaptive_median, data_range=img.max() - img.min()) ``` 其中,`img`是原始图像,`img_median`、`img_gaussian`和`img_adaptive_median`分别是中值滤波、斯滤波和改进自适应中值滤波后的图像。 综上所述,改进自适应中值滤波算法的效果最好。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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