第5章 Python 数字图像处理(DIP) - 图像复原与重建6

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,z=01−(Ps+Pp),z=V(5.16)P(z) = \begin{cases} P_s, & z = 2^k -1 \\ P_p, & z=0 \\ 1-(P_s + P_p), & z=V \end{cases} \tag{5.16}P(z)=⎩⎪⎨⎪⎧Ps,Pp,1−(Ps+Pp),z=2k−1z=0z=V(5.16)

$0<V<2^k-1 $的任意整数

均值和方差为
zˉ=(0)Pp+K(1−Ps−Pp)+(2k−1)Ps(5.17)\bar z =(0)P_p + K(1 -P_s - P_p) + (2^k -1) P_s \tag{5.17}zˉ=(0)Pp+K(1−Ps−Pp)+(2k−1)Ps(5.17)
σ2=(0−zˉ)2Pp+(K−zˉ)2(1−Ps−Pp)+(2k−1)2Ps(5.18)\sigma^2 =(0-\bar z)^2 P_p + (K - \bar z)^2 ( 1 -P_s -P_p) + (2^k -1)^2 P_s \tag{5.18}σ2=(0−zˉ)2Pp+(K−zˉ)2(1−Ps−Pp)+(2k−1)2Ps(5.18)

添加椒盐噪声的方法
令η(x,y)\eta(x, y)η(x,y)表示是一幅椒盐噪声图像，其密度值满足式(5.16)。我们使用椒盐噪声污染图像f(x,y)f(x, y)f(x,y)的方法为：
在fff中η\etaη为0的所有位置赋0，在fff中η\etaη为2k−12^k-12k−1的所有位置赋2k−12^k-12k−1值，保留fff中η\etaη为VVV的所有位置的值不变。
噪声密度
像素被盐粒或胡椒噪声污染的概率PPP为P=Ps+PpP=P_s + P_pP=Ps+Pp。PPP称为噪声密度。

def salt_pepper_pdf(ps=0.1, pp=0.1):"""create salt and pepper PDF, math $$P(z) = \begin{cases} P_s, & z = 2^k -1 \\ P_p, & z=0 \\ 1-(P_s + P_p), & z=V \end{cases}$$param: z: input grayscale value of iamgeparam: v:  float, while z = v, probability of other valuesparam: ps: float, probability of the saltparam: pp: float, probability of the pepper"""salt_pepper = np.zeros([3])salt_pepper[0] = pssalt_pepper[2] = ppsalt_pepper[1] = 1 - (ps + pp)return salt_pepper

def add_salt_pepper(img, ps=0.01, pp=0.01):"""add salt pepper noise to imageparam: img: input image, uint8 [0, 255]param: ps:  probability of salt noise, which is white noise, default is 0.01param: pp:  probability of peper noise, which is black noise, default is 0.01return image with salt pepper noise, [0, 255]"""h, w = img.shape[:2]mask = np.random.choice((0, 0.5, 1), size=(h, w), p=[pp, (1-ps-pp), ps])img_out = img.copy()img_out[mask==1] = 255img_out[mask==0] = 0return img_out

def add_salt_pepper_1(img, prob):output = np.zeros(img.shape, np.uint8)thres = 1 - probfor i in range(img.shape[0]):for j in range(img.shape[1]):rdn = np.random.random()if rdn < prob:output[i][j] = 0elif rdn > thres:output[i][j] = 255else:output[i][j] = img[i][j]return output

# 椒盐噪声
z = np.array([0, 128, 255])
ps = 0.1
pp = 0.3
k = 8
z_ = 0 * pp + k * (1 - ps - pp) + (2**k - 1) * ps
sigma = (0 - z_) ** 2 * pp + (k - z_) ** 2 * (1 - ps - pp) + (2**k -1) ** 2 * psprint(f"z_ -> {z_}, sigma -> {sigma}")salt_pepper = salt_pepper_pdf(ps=ps, pp=pp)plt.figure(figsize=(9, 6))
plt.bar(z, salt_pepper), plt.xticks([]), plt.yticks([])
plt.show()

z_ -> 30.3, sigma -> 7076.301

# 椒盐噪声，可随意控制胡椒与盐粒的概率大小
# img_ori = np.ones((512, 512)) * 128
img_ori = cv2.imread("DIP_Figures/DIP3E_Original_Images_CH05/Fig0503 (original_pattern).tif", 0)img_salt_pepper = add_salt_pepper(img_ori, ps=0.05, pp=0.02)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_salt_pepper, 'gray', vmin=0, vmax=255), plt.xticks([]), plt.yticks([])plt.tight_layout()
plt.show()

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

# 一些重要的概率密度函数
a = 2
b = 8z = np.linspace(0, 10, 200)gaussian = gauss_pdf(z)
rayleigh = rayleigh_pdf(z, a=a, b=b)
ireland  = ireland_pdf(z, a=a, b=b-6)
exponent = exponential_pdf(z, a=a)
average  = average_pdf(z, a=a, b=b)#=============椒盐=============
ps = 0.2
pp = 0.3
salt_pepper = salt_pepper_pdf(ps=ps, pp=pp)show_list = ['gaussian', 'rayleigh', 'ireland', 'exponent', 'average', 'salt_pepper']fig = plt.figure(figsize=(16, 8))for i in range(len(show_list)):ax = fig.add_subplot(2, 3, i+1)if i == 5:z = np.array([0, 100, 255])ax.bar(z, eval(show_list[i]), width=2), ax.set_xticks([0, 100, 255]), ax.set_yticks([0, eval(show_list[i]).max() ])ax.set_xlim(-1, 257), ax.set_ylim([0, eval(show_list[i]).max() + 0.05]), ax.set_title(show_list[i])else:ax.plot(z, eval(show_list[i])), ax.set_xticks([0, 10]), ax.set_yticks([0, eval(show_list[i]).max() ])ax.set_xlim(0, 10), ax.set_ylim([0, eval(show_list[i]).max() + 0.05]), ax.set_title(show_list[i])
plt.tight_layout()
plt.show()

一般重要噪声的例子

高斯噪声
- 由电子电路及（光照不足和/或高温引起的）传感器噪声等因素导致的
瑞利噪声
- 有助于表征距离成像中的噪声现象
指数和伽马密度
- 在激光成像中广泛应用
冲激噪声
- 出现在成像期间的快速瞬变（如开关故障）
均匀密度
- 是对实际情况最起码的描述

# 一些重要的噪声
img_ori = cv2.imread("DIP_Figures/DIP3E_Original_Images_CH05/Fig0503 (original_pattern).tif", 0)img_gauss       = add_gaussian_noise(img_ori, mu=0, sigma=0.05)
img_rayleigh    = add_rayleigh_noise(img_ori, a=1)
img_gamma       = add_gamma_noise(img_ori, scale=2)
img_exponent    = add_exponent_noise(img_ori, scale=3)
img_average     = add_average_noise(img_ori, mean=10, sigma=1.5)
ps = 0.05
pp = 0.02
img_salt_pepper = add_salt_pepper(img_ori, ps=ps, pp=pp)show_list = ['img_gauss', 'img_rayleigh', 'img_gamma', 'img_exponent', 'img_average', 'img_salt_pepper']fig = plt.figure(figsize=(14.5, 20))for i in range(len(show_list)):if i >= 3:# 显示图像ax = fig.add_subplot(4, 3, i + 3 + 1)ax.imshow(eval(show_list[i]), 'gray'), ax.set_xticks([]), ax.set_yticks([]), ax.set_title(show_list[i].split('_')[-1])# 对应图像的直方图ax = fig.add_subplot(4, 3, i + 1 + 6)hist, bins = np.histogram(eval(show_list[i]).flatten(), bins=255, range=[0, 255], density=True)bar = ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]),else:# 显示图像ax = fig.add_subplot(4, 3, i + 1)ax.imshow(eval(show_list[i]), 'gray'), ax.set_xticks([]), ax.set_yticks([]), ax.set_title(show_list[i].split('_')[-1])# 对应图像的直方图ax = fig.add_subplot(4, 3, i + 1 + 3)hist, bins = np.histogram(eval(show_list[i]).flatten(), bins=255, range=[0, 255], density=True)bar = ax.bar(bins[:-1], hist[:]), ax.set_xticks([]), ax.set_yticks([]),plt.tight_layout()
plt.show()

第5章 Python 数字图像处理(DIP) - 图像复原与重建6 - 椒盐噪声相关推荐

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2 - 瑞利噪声
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) ...
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6 - 椒盐噪声

标题

椒盐噪声

第5章 Python 数字图像处理(DIP) - 图像复原与重建6 - 椒盐噪声相关推荐

最新文章

热门文章