图像处理中的噪声添加方法详解

图像处理中的噪声添加方法详解

引用

CSDN

1.

https://blog.csdn.net/WiSirius/article/details/138536494

在图像处理和计算机视觉领域，噪声添加是数据增强的重要手段之一。通过在图像中添加不同类型的噪声，可以提高模型的鲁棒性和泛化能力。本文将详细介绍六种常见的图像噪声类型及其Python实现方法，包括高斯噪声、椒盐噪声、泊松噪声、斑点噪声、指数噪声和均匀噪声。

一、高斯噪声

高斯噪声是图像处理中最常见的噪声类型之一，它通过在图像像素值上添加服从高斯分布的随机噪声来模拟真实世界中的噪声干扰。高斯噪声的强度可以通过调整高斯分布的标准差（sigma）来控制，标准差越大，添加的噪声越多，图像受损程度越严重。

import numpy as np

def gaussian_noise(image):
    h, w, c = image.shape
    mean = 0
    sigma = 25  # 标准差
    noise = np.random.normal(mean, sigma, (h, w, c)) #根据均值和标准差生成符合高斯分布的噪声
    noisy_image = np.clip(image + noise, 0, 255).astype(np.uint8)
    return noisy_image

二、椒盐噪声

椒盐噪声是一种典型的二值噪声，它通过在图像中随机添加黑色（椒）和白色（盐）噪点来模拟传感器故障或传输错误引起的噪声。通过调整噪声比例（amount）参数，可以控制添加噪声的程度。

import numpy as np

def jiaoyan_noise(image):
    #设置添加椒盐噪声的数目比例
    s_vs_p = 0.5
    #设置添加噪声图像像素的数目
    amount = 0.04
    noisy_img = np.copy(image)
    #添加salt噪声
    num_salt = np.ceil(amount * image.size * s_vs_p)
    #设置添加噪声的坐标位置
    coords = [np.random.randint(0,i - 1, int(num_salt)) for i in image.shape]
    noisy_img[coords[0],coords[1],:] = [255,255,255]
    #添加pepper噪声
    num_pepper = np.ceil(amount * image.size * (1. - s_vs_p))
    #设置添加噪声的坐标位置
    coords = [np.random.randint(0,i - 1, int(num_pepper)) for i in image.shape]
    noisy_img[coords[0],coords[1],:] = [0,0,0]
    #保存图片
    return noisy_img

三、泊松噪声

泊松噪声主要由光子的随机性引起，常见于低光照条件下的图像。这种噪声在图像中表现为亮度值的随机变化，特别是在低亮度区域更为显著。泊松噪声的添加可以模拟实际拍摄过程中光子到达传感器的随机性。

import cv2
import numpy as np

def generate_poisson_noise(img, scale=1.0, gray_noise=False):
    if gray_noise:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # round and clip image for counting vals correctly
    img = np.clip((img * 255.0).round(), 0, 255) / 255.
    vals = len(np.unique(img))
    vals = 2**np.ceil(np.log2(vals))
    out = np.float32(np.random.poisson(img * vals) / float(vals))
    noise = out - img
    if gray_noise:
        noise = np.repeat(noise[:, :, np.newaxis], 3, axis=2)
    return noise * scale

def random_generate_poisson_noise(img, scale_range=(0, 1.0), gray_prob=0):
    scale = np.random.uniform(scale_range[0], scale_range[1])
    if np.random.uniform() < gray_prob:
        gray_noise = True
    else:
        gray_noise = False
    return generate_poisson_noise(img, scale, gray_noise)

def random_add_poisson_noise(img, scale_range=(0, 1.0), gray_prob=0):
    noise = random_generate_poisson_noise(img, scale_range, gray_prob)
    out = img + noise
    return out

四、斑点噪声

斑点噪声是数字图像中常见的噪声类型之一，通常表现为图像中出现随机像素点。这种噪声可能是由于图像传感器故障、信号传输错误或图像存储过程中的错误引起的。

import numpy as np

def bandian_noise(image):
    h,w,c = image.shape
    gauss = np.random.randn(h,w,c)
    #给图片添加speckle噪声
    noisy_img = image + image * gauss
    #归一化图像的像素值
    noisy_img = np.clip(noisy_img,a_min=0,a_max=255)
    return noisy_img

五、指数噪声

指数噪声在图像处理中相对较少见，但仍然可能由光照条件不稳定、传感器故障或信号传输错误等原因引起。

import numpy as np
import cv2

def zhishu_noise(img):
    a = 10.0
    noiseExponent = np.random.exponential(scale=a, size=img.shape)
    imgExponentNoise = img + noiseExponent
    noisy_img = np.uint8(cv2.normalize(imgExponentNoise, None, 0, 255, cv2.NORM_MINMAX))  # 归一化为 [0,255]
    return noisy_img

六、均匀噪声

均匀噪声类似于指数噪声，但其采样方式不同。均匀噪声在指定范围内均匀分布，可以用于模拟特定类型的噪声干扰。

import numpy as np
import cv2

def uniform_noise(img):
    mean, sigma = 10, 100
    a = 2 * mean - np.sqrt(12 * sigma)  # a = -14.64
    b = 2 * mean + np.sqrt(12 * sigma)  # b = 54.64
    noiseUniform = np.random.uniform(a, b, img.shape)
    imgUniformNoise = img + noiseUniform
    noisy_img = np.uint8(cv2.normalize(imgUniformNoise, None, 0, 255, cv2.NORM_MINMAX))  # 归一化为 [0,255]
    return noisy_img

总结

目前主流的噪声添加方法主要包括高斯噪声、椒盐噪声、泊松噪声、斑点噪声、指数噪声和均匀噪声。其中，高斯噪声和泊松噪声在数据增强中应用最为广泛，能够有效提高模型的鲁棒性和泛化能力。通过合理添加噪声，可以模拟真实世界中的各种干扰因素，使模型在面对实际场景时表现更佳。