图像处理：随机添加椒盐噪声和高斯噪声Python
目录
图像处理：随机添加椒盐噪声和高斯噪声Python
1.常见的图像噪声
（1）高斯噪声
（2） 椒盐噪声
2.生成图像噪声
（1）高斯噪声
（2） 椒盐噪声（速度慢）
（3） 椒盐噪声（快速版）
3. Demo测试
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。在噪声的概念中，通常采用信噪比（Signal-Noise Rate, SNR）衡量图像噪声。通俗的讲就是信号占多少，噪声占多少，SNR越小，噪声占比越大。
【尊重原则，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/126542210
1.常见的图像噪声
（1）高斯噪声
高斯噪声Gaussian noise，是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声，通常是因为不良照明和高温引起的传感器噪声。
（2） 椒盐噪声
椒盐噪声salt-and-pepper noise，又称为脉冲噪声，它是一种随机出现的白点（盐噪声）或者黑点（椒噪声），通常是由图像传感器，传输信道，解压处理等产生的黑白相间的亮暗点噪声（椒-黑，盐-白）。常用的去除这种噪声的有效手段是使用中值滤波器。
2.生成图像噪声
在原始图像基础上加上噪声分量，即可生成图像噪声
（1）高斯噪声
def gaussian_noise(image, mean=0.1, sigma=0.1):
"""
添加高斯噪声
:param image:原图
:param mean:均值
:param sigma:标准差 值越大，噪声越多
:return:噪声处理后的图片
"""
image = np.asarray(image / 255, dtype=np.float32) # 图片灰度标准化
noise = np.random.normal(mean, sigma, image.shape).astype(dtype=np.float32) # 产生高斯噪声
output = image + noise # 将噪声和图片叠加
output = np.clip(output, 0, 1)
output = np.uint8(output * 255)
return output
（2） 椒盐噪声（速度慢）
常规的方法，需要遍历每个像素，添加椒盐噪声，该方法十分缓慢。Python语言十分不建议进行图像像素遍历操作，毕竟性能太差，速度太慢了（除非写成C/C++版本）。我们可以借助numpy的矩阵处理，实现快速的添加椒盐噪声。
def salt_pepper_noise(image: np.ndarray, prob=0.01):
"""
添加椒盐噪声，该方法需要遍历每个像素，十分缓慢
:param image:
:param prob: 噪声比例
:return:
"""
for i in range(image.shape[0]):
for j in range(image.shape[1]):
if random.random() < prob:
image[i][j] = 0 if random.random() < 0.5 else 255
else:
image[i][j] = image[i][j]
return image（3） 椒盐噪声（快速版）
我们可以借助numpy的矩阵处理，实现快速的添加椒盐噪声。基本思路：利用np.random.uniform生成0~1的均匀噪声（ uniform distribution noise），然后将noise > prob的像素设置0或者255，这样通过矩阵的处理，可以快速添加椒盐噪声。
def fast_salt_pepper_noise(image: np.ndarray, prob=0.02):
"""
随机生成一个0~1的mask，作为椒盐噪声
:param image:图像
:param prob: 椒盐噪声噪声比例
:return:
"""
image = add_uniform_noise(image, prob * 0.51, vaule=255)
image = add_uniform_noise(image, prob * 0.5, vaule=0)
return image
def add_uniform_noise(image: np.ndarray, prob=0.05, vaule=255):
"""
随机生成一个0~1的mask，作为椒盐噪声
:param image:图像
:param prob: 噪声比例
:param vaule: 噪声值
:return:
"""
h, w = image.shape[:2]
noise = np.random.uniform(low=0.0, high=1.0, size=(h, w)).astype(dtype=np.float32) # 产生高斯噪声
mask = np.zeros(shape=(h, w), dtype=np.uint8) + vaule
index = noise > prob
mask = mask * (~index)
output = image * index[:, :, np.newaxis] + mask[:, :, np.newaxis]
output = np.clip(output, 0, 255)
output = np.uint8(output)
return output
3. Demo性能测试
需要用到pybaseutils工具，pip安装即可
# -*-coding: utf-8 -*-
"""
@Author : panjq
@E-mail : pan_jinquan@163.com
@Date : 2022-07-27 15:23:24
@Brief :
"""
import cv2
import random
import numpy as np
from pybaseutils import time_utils
@time_utils.performance("gaussian_noise")
def gaussian_noise(image, mean=0.1, sigma=0.1):
"""
添加高斯噪声
:param image:原图
:param mean:均值
:param sigma:标准差 值越大，噪声越多
:return:噪声处理后的图片
"""
image = np.asarray(image / 255, dtype=np.float32) # 图片灰度标准化
noise = np.random.normal(mean, sigma, image.shape).astype(dtype=np.float32) # 产生高斯噪声
output = image + noise # 将噪声和图片叠加
output = np.clip(output, 0, 1)
output = np.uint8(output * 255)
return output
@time_utils.performance("salt_pepper_noise")
def salt_pepper_noise(image: np.ndarray, prob=0.01):
"""
添加椒盐噪声，该方法需要遍历每个像素，十分缓慢
:param image:
:param prob: 噪声比例
:return:
"""
for i in range(image.shape[0]):
for j in range(image.shape[1]):
if random.random() < prob:
image[i][j] = 0 if random.random() < 0.5 else 255
else:
image[i][j] = image[i][j]
return image
@time_utils.performance("fast_salt_pepper_noise")
def fast_salt_pepper_noise(image: np.ndarray, prob=0.02):
"""
随机生成一个0~1的mask，作为椒盐噪声
:param image:图像
:param prob: 椒盐噪声噪声比例
:return:
"""
image = add_uniform_noise(image, prob * 0.51, vaule=255)
image = add_uniform_noise(image, prob * 0.5, vaule=0)
return image
def add_uniform_noise(image: np.ndarray, prob=0.05, vaule=255):
"""
随机生成一个0~1的mask，作为椒盐噪声
:param image:图像
:param prob: 噪声比例
:param vaule: 噪声值
:return:
"""
h, w = image.shape[:2]
noise = np.random.uniform(low=0.0, high=1.0, size=(h, w)).astype(dtype=np.float32) # 产生高斯噪声
mask = np.zeros(shape=(h, w), dtype=np.uint8) + vaule
index = noise > prob
mask = mask * (~index)
output = image * index[:, :, np.newaxis] + mask[:, :, np.newaxis]
output = np.clip(output, 0, 255)
output = np.uint8(output)
return output
def cv_show_image(title, image, use_rgb=True, delay=0):
"""
调用OpenCV显示RGB图片
:param title: 图像标题
:param image: 输入是否是RGB图像
:param use_rgb: True:输入image是RGB的图像, False:返输入image是BGR格式的图像
:return:
"""
img = image.copy()
if img.shape[-1] == 3 and use_rgb:
img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR) # 将BGR转为RGB
# cv2.namedWindow(title, flags=cv2.WINDOW_AUTOSIZE)
cv2.namedWindow(title, flags=cv2.WINDOW_NORMAL)
cv2.imshow(title, img)
cv2.waitKey(delay)
return img
if __name__ == "__main__":
test_file = "test.png"
image = cv2.imread(test_file)
prob = 0.02
for i in range(10):
out1 = gaussian_noise(image.copy())
out2 = salt_pepper_noise(image.copy(), prob=prob)
out3 = fast_salt_pepper_noise(image.copy(), prob=prob)
print("----" * 10)
cv_show_image("image", image, use_rgb=False, delay=1)
cv_show_image("gaussian_noise", out1, use_rgb=False, delay=1)
cv_show_image("salt_pepper_noise", out2, use_rgb=False, delay=1)
cv_show_image("fast_salt_pepper_noise", out3, use_rgb=False, delay=0)
循环机10次，salt_pepper_noise平均耗时125.49021ms，而fast_salt_pepper_noise平均耗时6.12011ms ，性能提高60倍左右，其生成的效果是基本一致的
call gaussian_noise elapsed: avg:19.42925ms total:194.29255ms count:10
call salt_pepper_noise elapsed: avg:125.49021ms total:1254.90212ms count:10
call fast_salt_pepper_noise elapsed: avg:6.12011ms total:61.20110ms count:10
| 原图 | 高斯噪声 |
|
|
|
|
salt_pepper_noise |
fast_salt_pepper_noise |
|
 |
相关文章
