图像的噪声产生与去噪

• 一、理论分析
• 二、代码分析
• • 2.1 高斯噪声的产生与去噪
  • 2.2 椒盐噪声的产生与去噪

一、理论分析

图像在生成时，受到环境、设备本身、光线等因素会导致图片产生噪声，这些噪声过于随机，处理起来十分复杂。处于学习的目的，我们首先学习一些简单的噪声与去噪，比如高斯噪声，椒盐噪声等。

二、代码分析

2.1 高斯噪声的产生与去噪

高斯噪声主要根据高斯分布（也就是正态分布）的边缘值，被认为是噪声。在高斯噪声的产生中，对图像添加给定高斯分布的边缘值，这样就对图像添加了高斯噪声，去噪的方法也很简单，对每个核去除边缘分布的噪声。

from cv2 import cv2 as cv
import numpy as np

def gauss_noise(image,mean=0,var=0.0001):
    image = np.array(image/255,np.float32)
    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)
    return out

img = cv.imread('./CV-Pictures/036.jpg')
gauss_noise = gauss_noise(img,0.0,0.00002)
dst = cv.GaussianBlur(gauss_noise,(9,9),0,0)
pic = np.hstack([img,dst])
cv.imshow("picture",pic)
cv.waitKey(0)
cv.destroyAllWindows()

运行结果如下

2.2 椒盐噪声的产生与去噪

椒盐噪声，个人理解，顾名思义，胡椒–>黑色，盐–>白。加入0和255像素的噪声，去噪的方法也很简单，应用中值模糊去噪方法。去除最小值和最大值，从而去除椒盐噪声，但是我们应该认识到，当模糊处理的核很大时，图像会变得很模糊，所以一般我们取一个权衡值。在去除噪声的前提下，争取图像变得清晰，这就导致核不能太大，也不能太小。

from cv2 import cv2 as cv
import numpy as np
import random

def salt_pepper_noise(image,radio):
    out = np.zeros(image.shape,np.uint8)
    threshold = 1 - radio
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdn = np.random.random()
            #rdn = random.random()
            if rdn < radio:
                out[i][j] = 0
            elif rdn > threshold:
                out[i][j] = 255
            else:
                out[i][j] = image[i][j]
    return out

img = cv.imread('./CV-Pictures/010.jpg')
out_sp_noise = salt_pepper_noise(img,0.2)
dst_median = cv.medianBlur(out_sp_noise,5)
dst_blur = cv.blur(out_sp_noise,(9,9))
Gaiss_dst = cv.GaussianBlur(out_sp_noise,(9,9),2,2)
pic = np.hstack([out_sp_noise,dst_median,dst_blur,Gaiss_dst])
cv.imshow('out_sp_noise',pic)
cv.waitKey(0)
cv.destroyAllWindows()

运行代码结果如下图所示，从左到右，依次是椒盐噪声图片，中值模糊，均值模糊，高斯模糊。可以看到中值模糊效果最好。