机器视觉——案例分析基础(五)(图像的噪声产生与去噪)
作者:互联网
图像的噪声产生与去噪
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。
标签:noise,image,噪声,案例,np,视觉,cv,out 来源: https://blog.csdn.net/qq_26274961/article/details/121621414