OpenCV:在图像中添加高斯噪声、胡椒噪声

目录

在图像中添加高斯噪声

高斯噪声的特性

添加高斯噪声的实现

给图像添加胡椒噪声

实现胡椒噪声的步骤


相关阅读

OpenCV:图像处理中的低通滤波-CSDN博客

OpenCV:高通滤波之索贝尔、沙尔和拉普拉斯-CSDN博客

OpenCV:图像滤波、卷积与卷积核-CSDN博客


在图像中添加高斯噪声

高斯噪声是一种常见的噪声类型,其特性是噪声值服从正态分布(Gaussian distribution)。在图像处理中,添加高斯噪声可以用于测试算法的抗噪性能或生成合成数据。

高斯噪声的特性

高斯噪声的数学公式如下:

其中:μ 为均值,决定噪声的中心值,σ 为标准差,决定噪声的强度。

在图像中,添加高斯噪声通常需要在每个像素值上叠加服从高斯分布的随机值。


添加高斯噪声的实现

以下是使用 Python 和 OpenCV 给图像添加高斯噪声的步骤。

示例代码

python 复制代码
import cv2
import numpy as np

# 读取图像
image = cv2.imread("D:\\resource\\huaji.jpg")
image = cv2.resize(image, (400, 400))  # 调整大小方便显示

# 将图像转换为浮点型
image_float = image.astype(np.float32) / 255.0

# 定义高斯噪声参数
mean = 0          # 噪声的均值
stddev = 0.1      # 噪声的标准差

# 生成高斯噪声
gaussian_noise = np.random.normal(mean, stddev, image_float.shape)

# 将噪声添加到图像
noisy_image = image_float + gaussian_noise

# 将结果裁剪到 [0, 1] 范围
noisy_image = np.clip(noisy_image, 0, 1)

# 转换回 0-255 范围并转换为 uint8 类型
noisy_image = (noisy_image * 255).astype(np.uint8)

# 显示结果
cv2.imshow("image", image)
cv2.imshow("noisy", noisy_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数说明

  • mean: 高斯噪声的均值,通常设为 0。
  • stddev: 高斯噪声的标准差,值越大,噪声越明显。
  • np.random.normal: 用于生成服从正态分布的随机噪声。
  • np.clip: 确保像素值仍然在 [0, 1] 或 [0, 255] 的合法范围内。

运行效果


给图像添加胡椒噪声

胡椒噪声 是一种常见的二值噪声类型,与 盐噪声 搭配使用通常称为 椒盐噪声。它会在图像中随机生成黑点,模拟传感器故障或数据传输中的错误。

胡椒噪声的特性

  • 胡椒噪声:像素值变为 黑色(0)。
  • 与 盐噪声(白色点,像素值为 255) 不同,胡椒噪声专注于图像中的随机黑点。

实现胡椒噪声的步骤

以下是添加胡椒噪声的 Python 代码,基于 OpenCV 和 NumPy 实现。

示例代码

python 复制代码
import cv2
import numpy as np

# 读取图像
image = cv2.imread("D:\\resource\\huaji.jpg")
image = cv2.resize(image, (400, 400))  # 调整大小方便显示

# 定义胡椒噪声的比例
pepper_prob = 0.02  # 噪声比例(例如 2%)

# 创建随机矩阵
random_matrix = np.random.rand(*image.shape)

# 在随机矩阵中将小于噪声比例的点设置为 0(胡椒噪声)
pepper_noise = image.copy()
pepper_noise[random_matrix < pepper_prob] = 0

# 显示结果
cv2.imshow("Image", image)
cv2.imshow("Noise", pepper_noise)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数说明

  • pepper_prob: 控制胡椒噪声的密度(比例),值越大,黑点越多。
  • np.random.rand(*gray_image.shape): 生成与图像相同大小的随机矩阵。
  • pepper_noise[random_matrix < pepper_prob] = 0: 将随机矩阵中小于阈值的位置设置为黑色(0)。

运行效果

胡椒噪声通过在图像中引入黑点,模拟了现实中的噪声情况。结合降噪算法(如中值滤波)可以有效去除此类噪声,提高图像质量。通过调整噪声比例,可以测试算法在不同噪声强度下的表现。

相关推荐
视觉语言导航18 分钟前
中科院自动化所机器人视觉中的多模态融合与视觉语言模型综述
人工智能·深度学习·机器人·具身智能
SickeyLee2 小时前
产品经理的成长路径与目标总结
大数据·人工智能
叫我:松哥2 小时前
python案例:基于python 神经网络cnn和LDA主题分析的旅游景点满意度分析
人工智能·python·神经网络·数据挖掘·数据分析·cnn·课程设计
2202_756749693 小时前
01 基于sklearn的机械学习-机械学习的分类、sklearn的安装、sklearn数据集及数据集的划分、特征工程(特征提取与无量纲化、特征降维)
人工智能·python·机器学习·分类·sklearn
SoFlu软件机器人3 小时前
飞算科技:以原创之力,开启Java开发新纪元与行业数智变革
人工智能·科技
沫儿笙3 小时前
OTC焊接机器人节能技巧
大数据·人工智能·机器人
西柚小萌新3 小时前
【人工智能agent】--服务器部署PaddleX 的 印章文本识别模型
人工智能
金融小师妹3 小时前
AI量化模型解析黄金3300关口博弈:市场聚焦“非农数据”的GRU-RNN混合架构推演
大数据·人工智能·算法
NewCarRen3 小时前
数据驱动的自动驾驶虚拟测试方法
人工智能·机器学习·自动驾驶
金融小师妹3 小时前
基于LSTM-GRU混合网络的动态解析:美联储维稳政策与黄金单日跌1.5%的非线性关联
大数据·人工智能·算法