imgaug批量椒盐噪声 python_Python 图像加噪

一、Python 图像加噪常用方式

1. 高斯噪声(Gaussian noise)

高斯噪声是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。常见的高斯噪声包括起伏噪声、宇宙噪声、热噪声和散粒噪声等等。除常用抑制噪声的方法外，对高斯噪声的抑制方法常常采用数理统计方法。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。

高斯分布，也称正态分布，又称常态分布，记为N(μ，σ^2)，其中μ，σ^2为分布的参数，分别为高斯分布的期望和方差。当有确定值时，p(x)也就确定了，特别当μ=0，σ^2=1时，X的分布为标准正态分布。

2. 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，可能是亮的区域有黑色像素或是在暗的区域有白色像素(或是两者皆有)。椒盐噪声的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。

3. 泊松噪声

泊松噪声，就是符合泊松分布的噪声模型，泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数等等。

4. 乘性噪声

乘性噪声一般由信道不理想引起，它们与信号的关系是相乘，信号在它在，信号不在他也就不在。

5. 瑞利噪声

瑞利噪声相比高斯噪声而言，其形状向右歪斜，这对于拟合某些歪斜直方图噪声很有用。

6. 伽马噪声

伽马噪声的分布，服从了伽马曲线的分布。伽马噪声的实现，需要使用b个服从指数分布的噪声叠加而来。指数分布的噪声，可以使用均匀分布来实现。(b=1时为指数噪声，b>1时通过若干个指数噪声叠加，得到伽马噪声)

7. 随机噪声/均匀噪声

二、Python实现

1. 随机噪声

# -*- coding: utf-8 -*-import cv2img = cv2.imread('test.jpg')# 噪声点数量coutn = 100000for k in range(0,