from：https://www.jianshu.com/p/67f909f3d0ce

在图像处理的过程中，一般情况下都进行图像增强，图像增强主要包括“空域增强”和“频域增强”，空域增强包括平滑滤波和锐化滤波。

平滑滤波，就是将图像模糊处理，减少噪声。那么在滤波之前，首先需要了解一下噪声的种类，行成原因以及各种的特点。

噪声可能来自于开始的图像采集，量化或者后续的图像编码压缩传送过程，根据具体的离散性和随机性主要讲噪声分成三类：'gaussian'、'poisson'、'salt&pepper'。下面我将具体分析三者的差异

一、高斯白噪声（gaussian）

高斯白噪声，在百度的定义为幅度分布服从高斯分布，概率谱分布服从均匀分布。白光是所有颜色光的集合，而白噪声也可以理解成在频谱上分布丰富，且在功率谱上趋近于常值。频域有限，时域无限，那么也就是说，它在任何时刻出现的噪声幅值都是随机的。高斯分布也称正态分布，有均值和方差两个参数，均值反应了对称轴的方位，方差表示了正态分布曲线的胖瘦。高斯分布是最普通的噪声分布。

在MATLAB中有用于创建噪声的函数，调用格式为J=imnoise(I,type)，例子如下：

clear all

>> i=imread('god.jpeg');

>> j=imnoise(i,'gaussian');

>> j1=imnoise(i,'gaussian',0,0.05);

>> j2=imnoise(i,'gaussian',0,0.2);

>> figure

>> subplot(2,2,1),imshow(i);

>> xlabel('原图像');

>> subplot(2,2,2),imshow(j1);

>> xlabel('高斯白噪声，方差＝0.05');

>> subplot(2,2,3),imshow(j);

>> xlabel('高斯白噪声，默认方差');

>> subplot(2,2,4),imshow(j2);

>> xlabel('高斯白噪声，方差＝0.2');

上段代码即对图像进行了不同方差参数的高斯加噪，

从图像中可以看出，方差参数越大，图像越模糊。

二、泊松噪声

何为泊松噪声，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

了解了泊松分布数学模型，那什么是泊松噪声、以及为什么会图像会出现泊松噪声呢？由于光具有量子特效，到达光电检测器表面的量子数目存在统计涨落，因此，图像监测具有颗粒性，这种颗粒性造成了图像对比度的变小以及对图像细节信息的遮盖，我们对这种因为光量子而造成的测量不确定性成为图像的泊松噪声。

泊松噪声一般在亮度很小或者高倍电子放大线路中出现。具体调用格式如下：

clear all

>> i=imread('god.jpeg');

>> j=imnoise(i,'poisson');

>> figure

>> subplot(1,2,1),imshow(i);

>> xlabel('原图');

>> subplot(1,2,2),imshow(j);

>> xlabel('poisson加噪');

三、椒盐噪声

何为椒盐噪声，椒盐噪声又称脉冲噪声，它随机改变一些像素值，是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。具体调用格式如下：

>> clear all

>> i=imread('god.jpeg');

>> j=imnoise(i,'salt & pepper',0.05);

>> j1=imnoise(i,'salt & pepper',0.2);

>> j2=imnoise(i,'salt & pepper',0.5);

>> figure

>> subplot(2,2,1),imshow(i);

>> xlabel('原图');

>> subplot(2,2,2),imshow(j);

>> xlabel('d=0.05');

>> subplot(2,2,3),imshow(j1);

>> xlabel('d=0.2');

>> subplot(2,2,4),imshow(j2);

>> xlabel('d=0.5');

从上图可以看出，噪声密度d越大，对图像的影响也就越大，一般l大约影响d*numel(I)个像素。

四、总结

下面对一副图像分别添加gaussian、poisson、salt&pepper噪声。

>> clear all

>> i=imread('god.jpeg');

>> j=imnoise(i,'gaussian',0,0.025);

>> j1=imnoise(i,'salt & pepper',0.025);

>> j2=imnoise(i,'poisson');

>> figure

>> subplot(2,2,1),imshow(i);

>> xlabel('原图');

>> subplot(2,2,2),imshow(j);

>> xlabel('gaussian');

>> subplot(2,2,3),imshow(j1);

>> xlabel('salt & pepper');

>> subplot(2,2,4),imshow(j2);

>> xlabel('poisson');

由此可见，椒盐噪声的强度最大，但是噪声分布最稀松。

浅析“高斯白噪声”，“泊松噪声”，“椒盐噪声”的区别相关推荐

常见的噪声：高斯、泊松和椒盐噪声
常见的噪声:高斯.泊松和椒盐噪声以及代码实现转载的地址:https://www.jianshu.com/p/67f909f3d0ce 转载的地址:https://www.cnblogs.com/su ...
数字图像处理——添加高斯噪声椒盐噪声
数字图像处理--添加高斯噪声&椒盐噪声本文链接:https://blog.csdn.net/u012936765/article/details/53200918 最近交了数图作业,mark ...
matlab加有色噪声,这么讲解高斯白噪声，还有色噪声，谁都会懂
原标题:这么讲解高斯白噪声,还有色噪声,谁都会懂百度百科上解释为 "高斯白噪声,幅度分布服从高斯分布,功率谱密度服从均匀分布",听起来有些晦涩难懂,下面结合例子通俗而详细地介绍一 ...
高斯噪声、高斯白噪声、SNR、噪声方差
如何用matlab 产生均值为0,方差为5的高斯噪声 2011-07-15 19:36 y=randn(1,2500); y=y/std(y); y=y-mean(y); a=0; b=5; y=a ...
图像噪声-椒盐噪声高斯噪声（待补充）
噪声加性噪声一般指热噪声.散弹噪声等,它们与信号的关系是相加,不管有没有信号,噪声都存在. 高斯白噪声包括热噪声和散粒噪声.在通信信道测试和建模中,高斯噪声被用作加性白噪声以产生加性白高斯噪声. 加 ...
图像噪声种类--高斯噪声椒盐噪声
图像噪声是指存在于图像数据中的不必要的或多余的干扰信息,图像噪声的产生来自图像获取中的环境条件和传感元器件自身的质量,图像在传输过程中产生图像噪声的主要因素是所用的传输信道收到了噪声的污染. 在MAT ...
高斯噪声，椒盐噪声的思想及多种噪声的实现
图像噪声: 概念: • 图像噪声是图像在获取或是传输过程中受到随机信号干扰,妨碍人们对图像理解及分析处理的信号. • 很多时候将图像噪声看做多维随机过程,因而描述噪声的方法完全可以借用随机过程的描述 ...
【图像处理】——Python实现图像加噪（随机噪声、椒盐噪声、高斯噪声等）
目录 1.随机噪声 2.椒盐噪声 3.高斯噪声补充:numpy.clip函数 4.其他噪声 1.随机噪声随机噪声就是通过随机函数在图像上随机地添加噪声点随机函数random模块参考:https: ...
[转载] opencv-python：13_图像噪声（噪声的概念、椒盐噪声、高斯噪声、使用python给图像添加噪声）
参考链接: Python OpenCV 基础 0: imshow 显示图像图像噪声学习两种图像噪声,即椒盐噪声和高斯噪声.使用python实现给图像添加椒盐噪声和高斯噪声一.噪声的概念在噪声的 ...

浅析“高斯白噪声”，“泊松噪声”，“椒盐噪声”的区别

一、高斯白噪声（gaussian）

二、泊松噪声

三、椒盐噪声

浅析“高斯白噪声”，“泊松噪声”，“椒盐噪声”的区别相关推荐

最新文章

热门文章