python滤波算法的比较_椒盐噪声与中值滤波的Python实现与检验

1.椒盐噪声(Salt Pepper Noise)

椒盐噪声也称为脉冲杂讯，是图像中经常见到的一种杂讯，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) ——维基百科

1.1 关于椒盐噪声的几点注意

噪点类型随机，即亮斑或暗斑(对应灰度图0、255)

噪声概率为先验概率(如：噪声概率为0.1，数据点总数为100，而实际的噪点数并不一定为10)。关于先验概率与后验概率这篇博文比较推荐

1.2 实现算法思路

新建一个与输入图像等长的数组

数组中存放

的随机整数

当上述数组中出现的值为

时，则认为对应的数据点为噪点

该噪点等概率的取亮斑或暗斑

1.3 Code

import numpy as np

import random

def salt_pepper(intput_signal, probability):

'''

椒盐噪声算法(适用于灰度图)

:param intput_signal: 输入信号矩阵(2D)

:param probability: 噪声概率(如：0.1为10%)

:return: 加噪后的图像、实际噪点数、理论噪点数

'''

nisy = [0, 255] # 噪声(salt， papper)

m, n= intput_signal.shape # 获取输入图片尺寸(行和列)

intput_signal_cp = intput_signal.copy() # 输入信号的副本

intput_signal_cp = intput_signal_cp.reshape(-1) # reshape为一个行向量

# 该噪声概率下，理论上noisy_data_probability_num个数据点中1一个噪点

noisy_data_probability_num = int(100 / (probability * 100))

# 噪点数组，当数组中的值为1时，则认为对应的数据点为噪点

noisy_data = []

for i in range(m*n):

noisy_data.append(random.randint(1, noisy_data_probability_num))

# 实际噪点数与理论噪点数

actual_noisy_data_num = 0

theory_noisy_data_num = int(m * n * probability)

# 添加噪点

for i in range(m*n):

if noisy_data[i] == 1:

actual_noisy_data_num = actual_noisy_data_num + 1

intput_signal_cp[i] = nisy[random.randint(0, 1)]

# 重塑至m*n的矩阵

intput_signal_cp = intput_signal_cp.reshape(m, n)

return intput_signal_cp, actual_noisy_data_num, theory_noisy_data_num

2.中值滤波(Median Filtering)

中值滤波是一种非线性数字滤波器技术，经常用于去除图像或者其它信号中的噪声，是处理椒盐噪声的常用降噪算法——百度百科

2.1 窗口问题

中值滤波降噪的原理为使用噪点的某一个邻域内的中值代替该噪点，邻域范围越大则边缘保留效果越差，从视觉上来看，即更加模糊，但降噪效果明显。此外，邻域亦即窗口的形状也会影响降噪的效果。通常有

，十字形，圆形等。这里此文采用十字形。

2.2 Code

import numpy as np

import random

def median_filtering(input_signal):

'''

中值滤波(适用于灰度图)

如：

- + -

+ * +

- + -

* 为噪点，滤波方法为：取4个+的中位数(若某+不在输入信号范围内，则随机添加0或255)

:param input_signal: 输入信号矩阵(2D)

:return: 滤波后的信号

'''

salt_pepper = [0, 255]

m, n = input_signal.shape # 获取输入图片的尺寸(行和列)

input_signal_cp = input_signal.copy() # 输入信号的副本

nosiy_data_around = [] # 存放噪点上下左右的数据点

# 遍历滤波

for i in range(m):

for j in range(n):

# 当灰度值为0或255时，则认为该数据点为椒盐噪点

if input_signal_cp[i, j] == 255 or input_signal_cp[i, j] == 0:

# 每次无效数据点(即不再范围内)为4，每有一个在范围内，即-1

invalid_data_per = 4

if i + 1 < n:

nosiy_data_around.append(input_signal_cp[i + 1, j])

invalid_data_per = invalid_data_per - 1

if i - 1 >= 0:

nosiy_data_around.append(input_signal_cp[i - 1, j])

invalid_data_per = invalid_data_per - 1

if j + 1 < m:

nosiy_data_around.append(input_signal_cp[i, j + 1])

invalid_data_per = invalid_data_per - 1

if j - 1 >= 0:

nosiy_data_around.append(input_signal_cp[i, j - 1])

invalid_data_per = invalid_data_per - 1

else:

if invalid_data_per > 0:

# 根据无效数据点的个数，随机添加0或255

for k in range(invalid_data_per):

nosiy_data_around.append(salt_pepper[random.randint(0, 1)])

# 取中位数

input_signal_cp[i, j] = np.median(nosiy_data_around)

# 该噪点的周围数据数组清空，为下一个噪点周围数据存在做准备

nosiy_data_around = []

return input_signal_cp

3.实验对比

我这里采用Python第三方库skimage.data.camera()作为测试图片

椒盐噪率为0.1

椒盐噪率为0.0.3

4.Github