通过skimage.util.random_noise添加噪声

通过skimage.util.random_noise添加噪声

scikit-image是一个图像处理算法的集合。它是基于scipy的一款图像处理包，它将图片作为numpy数组进行处理，方便进行后续运算。
安装指令：
必须首先安装numpy,scipy,matplotlib

pip install scikit-image

导入

import skimage
from skimage import util

函数介绍

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

该函数可以方便的为图像添加各种类型的噪声如高斯白噪声、椒盐噪声等。
参数介绍
image为输入图像数据，类型应为ndarray，输入后将转换为浮点数。
mode选择添加噪声的类别。字符串str类型。应为以下几种之一：

‘gaussian’ 高斯加性噪声。

‘localvar’ Gaussian-distributed additive noise, with specified local variance at each point of image.
高斯加性噪声，每点具有特定的局部方差。

‘poisson’ Poisson-distributed noise generated from the data.
泊松分布的噪声。

‘salt’ Replaces random pixels with 1.
盐噪声，随机用1替换像素。属于高灰度噪声。
‘pepper’ Replaces random pixels with 0 (for unsigned images) or -1 (for signed images).
胡椒噪声，随机用0或-1替换像素，属于低灰度噪声。

‘s&p’ Replaces random pixels with either 1 or low_val, where low_val is 0 for unsigned images or -1 for signedimages.
椒盐噪声，两种噪声同时出现，呈现出黑白杂点。
‘speckle’ Multiplicative noise using out = image + n*image, where n is uniform noise with specified mean & variance.
使用out = image + n *图像的乘法噪声，其中n是具有指定均值和方差的均匀噪声。
seed 类型为int。 将在生成噪声之前设置随机种子，以进行有效的伪随机比较。
clip类型为bool。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: float 随机分布的均值，用于’gaussian’和‘speckle’。 默认为0。
var: float 随机分布的方差，（标准差^2）用于’gaussian’和‘speckle’。 默认为0.01。
local_vars:ndarray 图像每个像素点处的局部方差，正浮点数矩阵，和图像同型，用于‘localvar’.
amount:float 椒盐噪声像素点替换的比例，在[0,1]之间。用于‘salt’, ‘pepper’,和 ‘salt & pepper’. 默认 : 0.05
salt_vs_pepper : float 盐噪声和胡椒噪声的比例，在[0,1]之间。数字越大代表用1替换越多（more salt）. 默认 : 0.5
输出
out : ndarray
输出为浮点图像数据，在[0,1]或[-1,1]之间。Skimage读取图像后格式为(height, width, channel)。
注意RGB图像数据若为浮点数则范围为[0,1],若为整型则范围为[0,255]。

实验代码

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
from skimage import util
img = Image.open(‘alien1.png’)
img = np.array(img)
noise_gs_img = util.random_noise(img,mode=‘gaussian’)
noise_salt_img = util.random_noise(img,mode=‘salt’)
noise_pepper_img = util.random_noise(img,mode=‘pepper’)
noise_sp_img = util.random_noise(img,mode=‘s&p’)
noise_speckle_img = util.random_noise(img,mode=‘speckle’)
plt.subplot(2,3,1), plt.title(‘original’)
plt.imshow(img)
plt.subplot(2,3,2),plt.title(‘gaussian’)
plt.imshow(noise_gs_img)
plt.subplot(2,3,3), plt.title(‘salt’)
plt.imshow(noise_salt_img)
plt.subplot(2,3,4), plt.title(‘pepper’)
plt.imshow(noise_pepper_img)
plt.subplot(2,3,5),plt.title(‘s&p’)
plt.imshow(noise_sp_img)
plt.subplot(2,3,6), plt.title(‘speckle’)
plt.imshow(noise_speckle_img)
plt.show()

结果显示
选了一张可爱的小熊图片和以前写代码用的外星人图片做例子。


OK！立个flag，有空的时候写文章对比一下PIL,Pillow, opencv, scikit-image等数字图像处理库的功能和用法。
PIL和Pillow只提供最基础的数字图像处理，功能有限；opencv实际上是一个c++库，只是提供了python接口，更新速度非常慢。scikit-image是基于scipy的一款图像处理包，它将图片作为numpy数组进行处理。