数字图像噪声_Python

2024-05-13 16:52:34

数字图像噪声_Python

本文链接：https://blog.csdn.net/TOMBOY_Marry/article/details/83997515

一：数字图像噪声来源

图像的获取（数字化过程）和传输过程，当使用相机获取图像时，光照程度和传感器温度是生成图像大量噪点的主要因素。

二：灰度图加入高斯噪声（正态噪声）

def GaussianNoise(src,mean,sigma):NoiseImg=srcrows,cols=NoiseImg.shapefor i in range(rows):for j in range(cols):NoiseImg[i,j]=NoiseImg[i,j]+random.gauss(mean,sigma)if NoiseImg[i,j]<0:NoiseImg[i,j]=0elif NoiseImg[i,j]>255:NoiseImg[i,j]=255return NoiseImgimg=cv2.imread('IMG_4470.JPG',0)
img=GaussianNoise(img,2,4)
cv2.imwrite('IMG_4470_GaussianNoise.jpg',img)
cv2.imshow('IMG_4470_GaussianNoise',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

输出结果为：
原图为：

三：彩色图加入高斯噪声

def GaussianNoise_color(src,mean,sigma):NoiseImg=srcrows,cols,_=NoiseImg.shapefor i in range(rows):for j in range(cols):NoiseImg[i,j]=NoiseImg[i,j]+random.gauss(mean,sigma)return NoiseImgimg=cv2.imread('IMG_4470.JPG')
img=GaussianNoise_color_percentage(img,2,4)
cv2.imwrite('IMG_4470_GaussianNoise_color_1.jpg',img)
cv2.imshow('IMG_4470_GaussianNoise_color_1',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

四：部分像素点加入高斯噪声

def GaussianNoise_color_percentage(src,mean,sigma,percentage):NoiseImg=srcrows,cols,_=NoiseImg.shapenum=int(rows*cols*percentage)for i in range(num):randX=np.random.randint(0,rows-1)randY=np.random.randint(0,cols-1)NoiseImg[randX,randY]=NoiseImg[randX,randY]+random.gauss(mean,sigma)return NoiseImgimg=cv2.imread('IMG_4470.JPG')
img=GaussianNoise_color_percentage(img,2,4,0.5)
cv2.imwrite('IMG_4470_GaussianNoise_color_percentage_1.jpg',img)
cv2.imshow('IMG_4470_GaussianNoise_color_percentage_1',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

输出结果为：

五：图像加入椒盐噪声_胡椒点

def Pepper(src,percentage):NoiseImg=srcrows,cols,_=NoiseImg.shapeNoiseNum=int(percentage*rows*cols)for i in range(NoiseNum):randX=np.random.randint(0,rows-1)randY=np.random.randint(0,cols-1)if random.randint(0,1)<=0.5:NoiseImg[randX,randY]=0else:NoiseImg[randX,randY]=NoiseImg[randX,randY]return NoiseImgimg=cv2.imread('IMG_4470.JPG')
img=PepperandSalt_2(img,0.01)
cv2.imwrite('IMG_4470_PepperandSalt_7_pepper.jpg',img)
cv2.imshow('IMG_4470_PepperandSalt_7',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

输出结果为：

六：图像加入椒盐噪声_盐点

def salt(src,percentage):NoiseImg=srcrows,cols,_=NoiseImg.shapeNoiseNum=int(percentage*rows*cols)for i in range(NoiseNum):randX=np.random.randint(0,rows-1)randY=np.random.randint(0,cols-1)if random.randint(0,1)<=0.5:NoiseImg[randX,randY]=255else:NoiseImg[randX,randY]=NoiseImg[randX,randY]return NoiseImgimg=cv2.imread('IMG_4470.JPG')
img=salt(img,0.01)
cv2.imwrite('IMG_4470_PepperandSalt_8_salt.jpg',img)
cv2.imshow('IMG_4470_PepperandSalt_8',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

输出结果为:

七：灰度图加入椒盐噪声

def PepperandSalt(src,percentage):NoiseImg=srcrows,cols=NoiseImg.shapeNoiseNum=int(percentage*rows*cols)for i in range(NoiseNum):randX=np.random.randint(0,rows-1)randY=np.random.randint(0,cols-1)if random.randint(0,1)<=0.5:NoiseImg[randX,randY]=0else:NoiseImg[randX,randY]=255return NoiseImgimg=cv2.imread('IMG_4470.JPG',0)
img=PepperandSalt(img,0.05)
cv2.imwrite('IMG_4470_PepperandSalt_2.jpg',img)
cv2.imshow('IMG_4470_PepperandSalt_2',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

输出结果为：

八：彩色图加入椒盐噪声

def PepperandSalt_color(src,percentage):NoiseImg=srcrows,cols,_=NoiseImg.shapeNoiseNum=int(percentage*rows*cols)for i in range(NoiseNum):randX=np.random.randint(0,rows-1)randY=np.random.randint(0,cols-1)if random.randint(0,1)<=0.5:NoiseImg[randX,randY]=0else:NoiseImg[randX,randY]=255return NoiseImgimg=cv2.imread('IMG_4470.JPG')
img=PepperandSalt_color(img,0.05)
cv2.imwrite('IMG_4470_PepperandSalt_color.jpg',img)
cv2.imshow('IMG_4470_PepperandSalt_color',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

输出结果为：

九：指数分布噪声

def Exponent(src,constant,percentage):NoiseImg=srcrows,cols=NoiseImg.shapenum=int(rows*cols*percentage)for i in range(num):randX=np.random.randint(0,rows-1)randY=np.random.randint(0,cols-1)if NoiseImg[randX,randY]>128:NoiseImg[randX,randY]=constant*np.exp(-constant*NoiseImg[randX,randY])          else:NoiseImg[randX,randY]=NoiseImg[randX,randY]return NoiseImgimg=cv2.imread('IMG_4470.JPG',0)
img=Exponent(img,0.5,0.01)
cv2.imwrite('IMG_4470_Exponent.jpg',img)
cv2.imshow('IMG_4470_Exponent',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

输出结果为：

十：均匀分布噪声

def distribution(src,low,high,percentage):NoiseImg=srcrows,cols=NoiseImg.shapenum=int(rows*cols*percentage)for i in range(num):randX=np.random.randint(0,rows-1)randY=np.random.randint(0,cols-1)if low<NoiseImg[randX,randY]<high and a!=b:NoiseImg[randX,randY]=1/(a-b)         else:NoiseImg[randX,randY]=NoiseImg[randX,randY]return NoiseImgimg=cv2.imread('IMG_4470.JPG',0)
img=distribution(img,100,200,0.1)
cv2.imwrite('IMG_4470_distribution.jpg',img)
cv2.imshow('IMG_4470_distribution',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

输出结果为：

十一：伽马（爱尔兰）噪声

伽马曲线如下：

a=10
b=20
z=np.arange(1,20,0.1)
y=(a**b)*(z**(b-1))/np.math.factorial(b-1)*np.exp(-a*z)
plt.plot(z,y)

def gamma_noise(src,constant_a,constant_b,percentage):NoiseImg=srcrows,cols=NoiseImg.shapenum=int(rows*cols*percentage)for i in range(num):randX=np.random.randint(0,rows-1)randY=np.random.randint(0,cols-1)if NoiseImg[randX,randY]>120 and b!=0:z=NoiseImg[randX,randY]NoiseImg[randX,randY]=(a**b)*(z**(b-1))/np.math.factorial(b-1)*np.exp(-a*z)        else:NoiseImg[randX,randY]=NoiseImg[randX,randY]return NoiseImgimg=cv2.imread('IMG_4470.JPG',0)
img=gamma_noise(img,5,10,0.01)
cv2.imwrite('IMG_4470_gamma_noise.jpg',img)
cv2.imshow('IMG_4470_gamma_noise',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.waitKey(1)

输出结果为：

数字图像噪声_Python相关推荐

计算机网络量化噪音是怎么消除的,数字图像噪声消除算法研究(可编辑).doc
数字图像噪声消除算法研究(可编辑) 数字图像噪声消除算法研究曲阜师范大学硕士学位论文数字图像噪声消除算法研究姓名:李波申请学位级别:硕士专业:计算机应用技术指导教师:赵景秀字图像噪声消除 ...
python中值滤波去除椒盐噪声_python 中值滤波,椒盐去噪,图片增强实例
受光照.气候.成像设备等因素的影响,灰度化后的图像存在噪声和模糊干扰,直接影响到下一步的文字识别,因此,需要对图像进行增强处理.图片预处理中重要一环就是椒盐去澡,通常用到中值滤波器进行处理,效果很好. ...
python图像条状状噪声_python检测图片噪声（噪点噪声、雪花噪声、条纹噪声）
首先是噪声的大体分类: 噪点噪声:又称脉冲噪声.椒盐噪声雪花噪声:又称高斯噪声条纹噪声: 分析完这些噪声的大致分布情况之后 importcv2from PIL importImagefrom PI ...
python高斯噪声_python随机数组，高斯噪声，多项式函数
在前面的numpy的学习中忽略了这几个重要的知识点,导致今天做作业异常的艰难.现在十分必要将它记录下来. 1.np.random.*必须的是一个非常强的命令啊.不仅可以产生随机数(包括随机整数,实数: ...
matlab对有周期性噪声的图像去噪,数字图像中去除周期性噪声研究.doc
摘要:图像增强是数字图像处理相对简单却最具艺术性的领域之一,其目的是消除噪声,显现被模糊的细节或突出感兴趣区域.经常采用的手段分空域和频域两类,其中频域更是给我们提供了不同的视角,简化了许多复杂的算法 ...
python高斯噪声怎么去除_Python图像处理之Pillow--ImageFilter介绍
mageFilter:Python中的图像滤波,主要对图像进行平滑.锐化.边界增强等滤波处理. 图像滤波:在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像预处理中不可缺少的操作,其处理效 ...
数字图像中关于添加噪声及噪声处理
数字图像中关于添加噪声及噪声处理 MATLAB源代码图像处理结果分析说明 MATLAB源代码 A = imread('yuantu.jpg'); A = rgb2gray(A); A1 = im ...
python高斯滤波和降噪_python添加高斯噪声和椒盐噪声，实现中值滤波和均值滤波，实现Roberts算子和Sobel算子...
写在前面 HIT大三上学期视听觉信号处理课程中视觉部分的实验一,经过和学长们实验的对比发现每一级实验要求都不一样,因此这里标明了是2019年秋季学期的视觉实验一. 由于时间紧张,代码没有进行任何优化, ...
数字图像中高频噪声的滤波
代码解释本文通过对图像加入高频高斯噪声再通过低通滤波滤除噪声. 本文代码通过MATLAB2020a编写. 代码 clear; clc;I = imread("person_resize.j ...

最新文章

热门文章