python检测图片噪声（噪点噪声、雪花噪声、条纹噪声）
生活随笔
收集整理的這篇文章主要介紹了
python检测图片噪声（噪点噪声、雪花噪声、条纹噪声）
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
首先是噪聲的大體分類：
噪點噪聲：又稱脈沖噪聲、椒鹽噪聲
雪花噪聲：又稱高斯噪聲
條紋噪聲：
細節圖如下所示（圖像來源，論文http://www.doc88.com/p-2572496212147.html）
分析完這些噪聲的大致分布情況之后
首先需要作出這些噪聲圖（原型來自https://www.jb51.net/article/162073.htm）
import cv2
from PIL import Image
from PIL import ImageChops
import numpy as np
import time
import pytesseract
import warnings
import math
import random
def sp_noise(image,prob=0.05):
'''
添加椒鹽噪聲
prob:噪聲比例
'''
output = np.zeros(image.shape,np.uint8)
thres = 1 - prob
for i in range(image.shape[0]):
for j in range(image.shape[1]):
rdn = random.random()
if rdn < prob:
output[i][j] = 0
elif rdn > thres:
output[i][j] = 255
else:
output[i][j] = image[i][j]
#return output
#print(output)
cv2.imshow("img",output)
cv2.waitKey(0)
cv2.imwrite("noise_check/img.jpg",output)
def gasuss_noise(image, mean=0.2, var=0.005):
'''
添加高斯噪聲
mean : 均值
var : 方差
'''
image = np.array(image/255, dtype=float)
noise = np.random.normal(mean, var ** 0.5, image.shape)
out = image + noise
if out.min() < 0:
low_clip = -1.
else:
low_clip = 0.
out = np.clip(out, low_clip, 1.0)
out = np.uint8(out*255)
cv2.imshow("gasuss", out)
#return out
cv2.waitKey(0)
cv2.imwrite("noise_check/img.jpg",out)
#sp_noise(cv2.imread("noise_check/5.jpg",cv2.IMREAD_COLOR))
gasuss_noise(cv2.imread("noise_check/5.jpg",cv2.IMREAD_COLOR))
檢測噪點和雪花的代碼如下（均方誤差法，思路來源https://blog.csdn.net/twinkle_star1314/article/details/74858253）
import cv2
from PIL import Image
from PIL import ImageChops
import numpy as np
import time
import pytesseract
import warnings
warnings.filterwarnings("ignore")
demo=Image.open("noise_check//1.jpg")
im=np.array(demo.convert('L'))#灰度化矩陣
print(im.shape)
print(im.dtype)
#print(im)
height=im.shape[0]#尺寸
width=im.shape[1]
varlist=[]
for i in range(height):
for j in range(width):
for k in range(16):
if im[i][j]>=k*16 and im[i][j]<(k+1)*16:#16級量化
im[i][j]=8*(k*2+1)
break
for i in range(0,height-height%3,3):
for j in range(0,width-width%3,3):
x=(im[i][j]+im[i+1][j]+im[i+2][j]+im[i][j+1]+im[i+1][j+1]+im[i+2][j+1]+im[i][j+2]+im[i+1][j+2]+im[i+2][j+2])/9
x2=(pow(im[i][j],2)+pow(im[i+1][j],2)+pow(im[i+2][j],2)+pow(im[i][j+1],2)+pow(im[i+1][j+1],2)+pow(im[i+2][j+1],2)+pow(im[i][j+2],2)+pow(im[i+1][j+2],2)+pow(im[i+2][j+2],2))/9
var=x2-pow(x,2)
varlist.append(round(var,3))#子窗口的方差值3x3
print(im)
#print(varlist)
T=round(sum(varlist)/len(varlist),3)#保留3位小數
print(T)
檢測噪點和雪花的方法如下（FFT法）
from PIL import Image
import numpy as np
import math
T=50#閾值設定，大于T則判定偏離xy軸過多
#復數類
class complex:
def __init__(self):
self.real = 0.0
self.image = 0.0
#復數乘法
def mul_ee(complex0, complex1):
complex_ret = complex()
complex_ret.real = complex0.real * complex1.real - complex0.image * complex1.image
complex_ret.image = complex0.real * complex1.image + complex0.image * complex1.real
return complex_ret
#復數加法
def add_ee(complex0, complex1):
complex_ret = complex()
complex_ret.real = complex0.real + complex1.real
complex_ret.image = complex0.image + complex1.image
return complex_ret
#復數減法
def sub_ee(complex0, complex1):
complex_ret = complex()
complex_ret.real = complex0.real - complex1.real
complex_ret.image = complex0.image - complex1.image
return complex_ret
#對輸入數據進行倒序排列
def forward_input_data(input_data, num):
j = num //2
for i in range(1, num - 2):
if(i < j):
complex_tmp = input_data[i]
input_data[i] = input_data[j]
input_data[j] = complex_tmp
#print "forward x[%d] <==> x[%d]" % (i, j)
k = num // 2
while (j >= k):
j = j - k
k = k // 2
j = j + k
#實現1D FFT
def fft_1d(in_data, num):
PI = 3.1415926
forward_input_data(in_data, num) #倒序輸入數據
#計算蝶形級數，也就是迭代次數
M = 1 #num = 2^m
tmp = num // 2;
while (tmp != 1):
M = M + 1
tmp = tmp // 2
#print "FFT level：%d" % M
complex_ret = complex()
for L in range(1, M + 1):
B = int(math.pow(2, L -1)) #B為指數函數返回值，為float，需要轉換integer
for J in range(0, B):
P = math.pow(2, M - L) * J
for K in range(J, num, int(math.pow(2, L))):
#print "L:%d B:%d, J:%d, K:%d, P:%f" % (L, B, J, K, P)
complex_ret.real = math.cos((2 * PI / num) * P)
complex_ret.image = -math.sin((2 * PI / num) * P)
complex_mul = mul_ee(complex_ret, in_data[K + B])
complex_add = add_ee(in_data[K], complex_mul)
complex_sub = sub_ee(in_data[K], complex_mul)
in_data[K] = complex_add
in_data[K + B] = complex_sub
#print "A[%d] real: %f, image: %f" % (K, in_data[K].real, in_data[K].image)
# print "A[%d] real: %f, image: %f" % (K + B, in_data[K + B].real, in_data[K + B].image)
def test_fft_1d(in_data):
#in_data = [2,3,4,5,7,9,10,11,100,12,14,11,56,12,67,12] #待測試的x點元素
k=1
while(1):
if len(in_data)>pow(2,k) and len(in_data)<=pow(2,k+1):#不足的補0
#fftlen=pow(2,k+1)
#in_data.extend([0 for i in range(pow(2,k+1)-len(in_data))])
fftlen=pow(2,k)
break
k+=1
#變量data為長度為x、元素為complex類實例的list，用于存儲輸入數據
data = [(complex()) for i in range(len(in_data))]
#將8個測試點轉換為complex類的形式，存儲在變量data中
for i in range(len(in_data)):
data[i].real = in_data[i]
data[i].image = 0.0
##輸出FFT需要處理的數據
#print("The input data:")
#for i in range(len(in_data)):
# print("x[%d] real: %f, image: %f" % (i, data[i].real, data[i].image))
fft_1d(data, fftlen)
##輸出經過FFT處理后的結果
#print("The output data:")
#for i in range(len(in_data)):
# print("X[%d] real: %f, image: %f" % (i, data[i].real, data[i].image))
Tnum=0
for i in range(len(in_data)):#虛實值都大于T的才叫偏離
if abs(data[i].real)>T and abs(data[i].image)>T:
Tnum+=1
print(Tnum)
print(str(round(Tnum/len(in_data),4)*100)+"%")
#test the 1d fft
#in_data=[2,3,4,5,7,9,10,11]
demo=Image.open("noise_check//5.jpg")
im=np.array(demo.convert('L'))#灰度化矩陣
in_data=[]
for item in im:
in_data.extend(item)
test_fft_1d(in_data)
以下為原圖、均方誤差法結果、FFT法結果
可以看出FFT法比均方誤差法要準確，雖然時間上也更長···
對于正常圖片，這個FFT百分比一般不超過94%
對于噪聲較小的也能在這個數值上體現出來：
要是更小的噪聲的話···
可能準確率就不行了···
條紋噪聲的檢測和上述不同
不知道如何才能生成條紋噪聲···
按照上面那個論文的思路倒是將代碼寫了出來，還未經過測試所以正確率不能保證
from PIL import Image
import numpy as np
import warnings
T1=100#閾值1，通道行差
T2=1000#閾值2，A通道差絕對和
T3=1000#閾值3，AB通道絕對和
#算法來源，論文http://www.doc88.com/p-2572496212147.html
warnings.filterwarnings("ignore")
demo=Image.open("noise_check//21.jpg")
im=np.array(demo.convert('L'))#灰度化矩陣
print(im.shape)
print(im.dtype)
r,g,b=demo.split()
#gm=demo.convert('L')
#plt.subplot(2,2,1)
#plt.imshow(gm,cmap='gray'),plt.axis('off')
#plt.subplot(2,2,2)
#plt.imshow(r,cmap='gray'),plt.axis('off')
#plt.subplot(2,2,3)
#plt.imshow(g,cmap='gray'),plt.axis('off')
#plt.subplot(2,2,4)
#plt.imshow(b,cmap='gray'),plt.axis('off')
#plt.show()
rm=np.array(r)
gm=np.array(g)
bm=np.array(b)
height=im.shape[0]#尺寸
width=im.shape[1]
midimg=[im,rm,gm,bm]
count=0
for i in range(4):
mid=midimg[i]
n=0
while(1):
if n+3>=height:break
for j in range(6,width-6,1):
grA=mid[n][j]
grB=mid[n+3][j]
if abs(grA-grB)>T1:
L1=0
L2=0
for k in range(j-6,j+6,1):
L1+=abs(mid[n][k]-grA)
L2+=abs(mid[n][k]-mid[n+3][k])
#print(L1)
#print(L2)
#print("-----")
if L1<T2 and L2>T3:
count+=1
n+=10
#print(count)
sum=(height-3)*4*(width-12)
#print(count/sum)
res=round(count/sum,5)#保留3位小數
print(str(res*100)+"%")
原圖是視頻組播電視圖，噪聲圖是網上找的···
可能會有用吧···
以上。
博客記錄，從我做起。我是會武術之白貓，轉載請注明。
總結
以上是生活随笔為你收集整理的python检测图片噪声（噪点噪声、雪花噪声、条纹噪声）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 使命召唤手游轻机枪m4lmg怎么样
- 下一篇： 第三方系统向泛微OA系统推送消息