圖像噪聲

椒鹽噪聲

概述：?椒鹽噪聲（salt & pepper noise）是數(shù)字圖像的一個(gè)常見(jiàn)噪聲，所謂椒鹽，椒就是黑，鹽就是白，椒鹽噪聲就是在圖像上隨機(jī)出現(xiàn)黑色白色的像素。椒鹽噪聲是一種因?yàn)樾盘?hào)脈沖強(qiáng)度引起的噪聲，產(chǎn)生該噪聲的算法也比較簡(jiǎn)單。

給一副數(shù)字圖像加上椒鹽噪聲的步驟如下：

指定信噪比 SNR （其取值范圍在[0, 1]之間）

計(jì)算總像素?cái)?shù)目 SP， 得到要加噪的像素?cái)?shù)目 NP = SP * (1-SNR)

隨機(jī)獲取要加噪的每個(gè)像素位置P（i, j）

指定像素值為255或者0。

重復(fù)3,4兩個(gè)步驟完成所有像素的NP個(gè)像素

輸出加噪以后的圖像

高斯噪聲

概述：?加性高斯白噪聲(Additive white Gaussian noise，AWGN)在通信領(lǐng)域中指的是一種功率譜函數(shù)是常數(shù)(即白噪聲), 且幅度服從高斯分布的噪聲信號(hào). 這類噪聲通常來(lái)自感光元件, 且無(wú)法避免.

去噪算法

中值濾波

概述：?中值濾波是一種非線性空間濾波器, 它的響應(yīng)基于圖像濾波器包圍的圖像區(qū)域中像素的統(tǒng)計(jì)排序, 然后由統(tǒng)計(jì)排序結(jié)果的值代替中心像素的值. 中值濾波器將其像素鄰域內(nèi)的灰度中值代替代替該像素的值. 中值濾波器的使用非常普遍, 這是因?yàn)閷?duì)于一定類型的隨機(jī)噪聲, 它提供了一種優(yōu)秀的去噪能力, 比小尺寸的均值濾波器模糊程度明顯要低. 中值濾波器對(duì)處理脈沖噪聲(也稱椒鹽噪聲)非常有效, 因?yàn)樵撛肼暿且院诎c(diǎn)疊加在圖像上面的.

與中值濾波相似的還有最大值濾波器和最小值濾波器.

均值濾波

概述：?均值濾波器的輸出是包含在濾波掩模領(lǐng)域內(nèi)像素的簡(jiǎn)單平均值. 均值濾波器最常用的目的就是減噪. 然而, 圖像邊緣也是由圖像灰度尖銳變化帶來(lái)的特性, 所以均值濾波還是存在不希望的邊緣模糊負(fù)面效應(yīng).

均值濾波還有一個(gè)重要應(yīng)用, 為了對(duì)感興趣的圖像得出一個(gè)粗略描述而模糊一幅圖像. 這樣, 那些較小物體的強(qiáng)度與背景揉合在一起了, 較大物體變得像斑點(diǎn)而易于檢測(cè).掩模的大小由即將融入背景中的物體尺寸決定.

代碼

#encoding: utf-8import numpy as np from PIL import Image import matplotlib.pyplot as plt import math import random import cv2 import scipy.misc import scipy.signal import scipy.ndimagedef medium_filter(im, x, y, step):sum_s=[]for k in range(-int(step/2),int(step/2)+1):for m in range(-int(step/2),int(step/2)+1):sum_s.append(im[x+k][y+m])sum_s.sort()return sum_s[(int(step*step/2)+1)]def mean_filter(im, x, y, step):sum_s = 0for k in range(-int(step/2),int(step/2)+1):for m in range(-int(step/2),int(step/2)+1):sum_s += im[x+k][y+m] / (step*step)return sum_sdef convert_2d(r):n = 3# 3*3 濾波器, 每個(gè)系數(shù)都是 1/9window = np.ones((n, n)) / n ** 2# 使用濾波器卷積圖像# mode = same 表示輸出尺寸等于輸入尺寸# boundary 表示采用對(duì)稱邊界條件處理圖像邊緣s = scipy.signal.convolve2d(r, window, mode='same', boundary='symm')return s.astype(np.uint8)# def convert_3d(r): # s_dsplit = [] # for d in range(r.shape[2]): # rr = r[:, :, d] # ss = convert_2d(rr) # s_dsplit.append(ss) # s = np.dstack(s_dsplit) # return sdef add_salt_noise(img):rows, cols, dims = img.shape R = np.mat(img[:, :, 0])G = np.mat(img[:, :, 1])B = np.mat(img[:, :, 2])Grey_sp = R * 0.299 + G * 0.587 + B * 0.114Grey_gs = R * 0.299 + G * 0.587 + B * 0.114snr = 0.9mu = 0sigma = 0.12noise_num = int((1 - snr) * rows * cols)for i in range(noise_num):rand_x = random.randint(0, rows - 1)rand_y = random.randint(0, cols - 1)if random.randint(0, 1) == 0:Grey_sp[rand_x, rand_y] = 0else:Grey_sp[rand_x, rand_y] = 255Grey_gs = Grey_gs + np.random.normal(0, 48, Grey_gs.shape)Grey_gs = Grey_gs - np.full(Grey_gs.shape, np.min(Grey_gs))Grey_gs = Grey_gs * 255 / np.max(Grey_gs)Grey_gs = Grey_gs.astype(np.uint8)# 中值濾波Grey_sp_mf = scipy.ndimage.median_filter(Grey_sp, (8, 8))Grey_gs_mf = scipy.ndimage.median_filter(Grey_gs, (8, 8))# 均值濾波n = 3window = np.ones((n, n)) / n ** 2Grey_sp_me = convert_2d(Grey_sp)Grey_gs_me = convert_2d(Grey_gs)plt.subplot(321)plt.title('Grey salt and pepper noise')plt.imshow(Grey_sp, cmap='gray')plt.subplot(322)plt.title('Grey gauss noise')plt.imshow(Grey_gs, cmap='gray')plt.subplot(323)plt.title('Grey salt and pepper noise (medium)')plt.imshow(Grey_sp_mf, cmap='gray')plt.subplot(324)plt.title('Grey gauss noise (medium)')plt.imshow(Grey_gs_mf, cmap='gray')plt.subplot(325)plt.title('Grey salt and pepper noise (mean)')plt.imshow(Grey_sp_me, cmap='gray')plt.subplot(326)plt.title('Grey gauss noise (mean)')plt.imshow(Grey_gs_me, cmap='gray')plt.show()def main():img = np.array(Image.open('LenaRGB.bmp'))add_salt_noise(img)if __name__ == '__main__':main()

見(jiàn)https://github.com/wangshub/python-image-process
?

總結(jié)

以上是生活随笔為你收集整理的python数字图像处理-图像噪声与去噪算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。