第5章 Python 数字图像处理(DIP) - 图像复原与重建2

标题

瑞利噪声

瑞利噪声

瑞利噪声的PDF为
P(z)={2b(z−a)e−(z−a)2/b,z≥a0,z<a(5.4)P(z) = \begin{cases} \frac{2}{b}(z-a)e^{-(z-a)^2/b}, & z \ge a \\ 0, & z < a\end{cases} \tag{5.4}P(z)={b2(z−a)e−(z−a)2/b,0,z≥az<a(5.4)

均值和方差为
zˉ=a+πb/4(5.5)\bar{z} = a + \sqrt{\pi b /4} \tag{5.5}zˉ=a+πb/4(5.5)
σ2=b(4−π)4(5.6)\sigma^2 = \frac{b(4-\pi)}{4} \tag{5.6}σ2=4b(4−π)(5.6)

def rayleigh_pdf(z, a=3, b=2):assert b != 0, "b is denominator, cannot be zero!!!"output = (2 / b )* (z - a) * np.exp(-((z - a)**2 )/b)output = np.where(z > a, output, 0)return output

更正下面代码，如果之前已经复制的，也请更正

def add_rayleigh_noise(img, a=3):"""add rayleigh noise for imageparam: img: input image, dtype=uint8param: mean: noise meanparam: sigma: noise sigmareturn: image_out: image with rayleigh noise"""# image = np.array(img/255, dtype=float) # 这是有错误的，将得不到正确的结果，修改如下image = np.array(img, dtype=float)# ============== numpy.random.rayleigh======noise = np.random.rayleigh(a, size=image.shape)image_out = image + noiseimage_out = np.uint8(normalize(image_out)*255)return image_out

# 瑞利PDF
a = 10
b = 400
z = np.linspace(0, 255, 200)z_ = a + np.sqrt(np.pi*b/4)
sigma = (b * (4 - np.pi)) / 4
peak_x = a + np.sqrt(b/2)
peak_y = 0.607 * np.sqrt(2/b)print(f"z_ -> {z_}, sigma^2 -> {sigma}")rayleigh = rayleigh_pdf(z, a=a, b=b)plt.figure(figsize=(9, 6))
plt.plot(z, rayleigh), #plt.xticks([a, peak_x]), plt.yticks([0, peak_y])
plt.show()

z_ -> 27.72453850905516, sigma^2 -> 85.84073464102069

# 瑞利噪声
img_ori = cv2.imread("DIP_Figures/DIP3E_Original_Images_CH05/Fig0503 (original_pattern).tif", 0)
# img_ori = np.ones((512, 512)) * 128
img_rayleigh = add_rayleigh_noise(img_ori, a=30)plt.figure(figsize=(9, 6))
plt.subplot(121), plt.imshow(img_ori, 'gray', vmin=0, vmax=255), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_rayleigh, 'gray', vmin=0, vmax=255), plt.xticks([]), plt.yticks([])plt.tight_layout()
plt.show()

hist, bins = np.histogram(img_rayleigh.flatten(), bins=255, range=[0, 255], density=True)
bar = plt.bar(bins[:-2], hist[:-1])

第5章 Python 数字图像处理(DIP) - 图像复原与重建2 - 瑞利噪声相关推荐

第5章 Python 数字图像处理(DIP) - 图像复原与重建1 - 高斯噪声
本章主要讲图像复原与重建,首先是了解一下各种噪声的特点与模型,还有形成的方法.一些重点的噪声,如高斯噪声,均匀噪声,伽马噪声,指数噪声,还有椒盐噪声等. 本章主要的噪声研究方法主要是加性噪声. 标题 ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建8 - 估计噪声参数
标题估计噪声参数估计噪声参数周期噪声的参数通常是通过检测图像的傅里叶谱来估计的. 只能使用由传感器生成的图像时,可由一小片恒定的背景灰度来估计PDF的参数. 来自图像条带的数据的最简单用途是,计 ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建7 - 周期噪声余弦噪声生成方法
标题周期噪声周期噪声周期噪声通常是在获取图像期间由电气或机电干扰产生的 def add_sin_noise(img, scale=1, angle=0):"""ad ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建6 - 椒盐噪声
标题椒盐噪声椒盐噪声如果kkk是一幅数字图像中表示灰度值的比特数,则灰度值可能是[0,2k−1][0, 2^k -1][0,2k−1].椒盐噪声的PDF为: P(z)={Ps,z=2k−1Pp, ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建5 - 均匀噪声
标题均匀噪声均匀噪声均匀噪声的PDF为 P(z)={1b−a,a≤z≤b0,other(5.13)P(z) = \begin{cases}\frac{1}{b-a}, & a\leq z ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建4 - 指数噪声
标题指数噪声指数噪声指数噪声的PDF为 P(z)={ae−az,z≥00,z<0(5.10)P(z) = \begin{cases} ae^{-az}, & z\geq 0 \\ ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建12 - 空间滤波 - 使用频率域滤波降低周期噪声 - 陷波滤波、最优陷波滤波
标题使用频率域滤波降低周期噪声陷波滤波深入介绍最优陷波滤波本章陷波滤波器有部分得出的结果不佳,如果有更好的解决方案,请赐教,不胜感激. 使用频率域滤波降低周期噪声陷波滤波深入介绍零相移滤波 ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建17 - 由投影重建图像、雷登变换、投影、反投影、反投影重建
标题由投影重建图像投影和雷登变换 Johann Radon 反投影滤波反投影重建由投影重建图像本由投影重建图像,主要是雷登变换与雷登把变换的应用,所以也没有太多的研究,只为了保持完整性,而添 ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建16 - 约束最小二乘方滤波、几何均值滤波
标题约束最小二乘方滤波几何均值滤波约束最小二乘方滤波 F^(u,v)=[H∗(u,v)∣H(u,v)∣2+γ∣P(u,v)∣2]G(u,v)(5.89)\hat{F}(u,v) = \bigg[ ...

第5章 Python 数字图像处理(DIP) - 图像复原与重建2 - 瑞利噪声

标题

瑞利噪声

第5章 Python 数字图像处理(DIP) - 图像复原与重建2 - 瑞利噪声相关推荐

最新文章

热门文章