图像处理：随机添加椒盐噪声和高斯噪声python

目录

图像处理：随机添加椒盐噪声和高斯噪声Python

1.常见的图像噪声

（1）高斯噪声

（2） 椒盐噪声

2.生成图像噪声

（1）高斯噪声

（2） 椒盐噪声（速度慢）

（3） 椒盐噪声（快速版）

3. Demo测试

        图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。在噪声的概念中，通常采用信噪比（Signal-Noise Rate, SNR）衡量图像噪声。通俗的讲就是信号占多少，噪声占多少，SNR越小，噪声占比越大。

【尊重原则，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/126542210

1.常见的图像噪声

（1）高斯噪声

        高斯噪声Gaussian noise，是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声，通常是因为不良照明和高温引起的传感器噪声。

（2） 椒盐噪声

        椒盐噪声salt-and-pepper noise，又称为脉冲噪声，它是一种随机出现的白点（盐噪声）或者黑点（椒噪声），通常是由图像传感器，传输信道，解压处理等产生的黑白相间的亮暗点噪声（椒-黑，盐-白）。常用的去除这种噪声的有效手段是使用中值滤波器。

2.生成图像噪声

在原始图像基础上加上噪声分量，即可生成图像噪声

（1）高斯噪声

def gaussian_noise(image, mean=0.1, sigma=0.1):    """    添加高斯噪声    :param image:原图    :param mean:均值    :param sigma:标准差 值越大，噪声越多    :return:噪声处理后的图片    """    image = np.asarray(image / 255, dtype=np.float32)  # 图片灰度标准化    noise = np.random.nORMal(mean, sigma, image.shape).astype(dtype=np.float32)  # 产生高斯噪声    output = image + noise  # 将噪声和图片叠加    output = np.clip(output, 0, 1)    output = np.uint8(output * 255)    return output

（2） 椒盐噪声（速度慢）

常规的方法，需要遍历每个像素，添加椒盐噪声，该方法十分缓慢。Python语言十分不建议进行图像像素遍历操作，毕竟性能太差，速度太慢了（除非写成C/C++版本）。我们可以借助numpy的矩阵处理，实现快速的添加椒盐噪声。

def salt_pepper_noise(image: np.ndarray, prob=0.01):    """    添加椒盐噪声，该方法需要遍历每个像素，十分缓慢    :param image:    :param prob: 噪声比例    :return:    """    for i in range(image.shape[0]):        for j in range(image.shape[1]):            if random.random() < prob:                image[i][j] = 0 if random.random() < 0.5 else 255            else:                image[i][j] = image[i][j]    return image

（3） 椒盐噪声（快速版）

我们可以借助numpy的矩阵处理，实现快速的添加椒盐噪声。基本思路：利用np.random.uniform生成0~1的均匀噪声（ uniform distribution noise），然后将noise > prob的像素设置0或者255，这样通过矩阵的处理，可以快速添加椒盐噪声。

def fast_salt_pepper_noise(image: np.ndarray, prob=0.02):    """    随机生成一个0~1的mask，作为椒盐噪声    :param image:图像    :param prob: 椒盐噪声噪声比例    :return:    """    image = add_uniform_noise(image, prob * 0.51, vaule=255)    image = add_uniform_noise(image, prob * 0.5, vaule=0)    return imagedef add_uniform_noise(image: np.ndarray, prob=0.05, vaule=255):    """    随机生成一个0~1的mask，作为椒盐噪声    :param image:图像    :param prob: 噪声比例    :param vaule: 噪声值    :return:    """    h, w = image.shape[:2]    noise = np.random.uniform(low=0.0, high=1.0, size=(h, w)).astype(dtype=np.float32)  # 产生高斯噪声    mask = np.zeros(shape=(h, w), dtype=np.uint8) + vaule    index = noise > prob    mask = mask * (~index)    output = image * index[:, :, np.newaxis] + mask[:, :, np.newaxis]    output = np.clip(output, 0, 255)    output = np.uint8(output)    return output

3. Demo性能测试

需要用到pybaseutils工具，pip安装即可

# -*-coding: utf-8 -*-"""    @Author : panjq    @E-mail : pan_jinquan@163.com    @Date   : 2022-07-27 15:23:24    @Brief  :"""import cv2import randomimport numpy as npfrom pybaseutils import time_utils@time_utils.performance("gaussian_noise")def gaussian_noise(image, mean=0.1, sigma=0.1):    """    添加高斯噪声    :param image:原图    :param mean:均值    :param sigma:标准差 值越大，噪声越多    :return:噪声处理后的图片    """    image = np.asarray(image / 255, dtype=np.float32)  # 图片灰度标准化    noise = np.random.normal(mean, sigma, image.shape).astype(dtype=np.float32)  # 产生高斯噪声    output = image + noise  # 将噪声和图片叠加    output = np.clip(output, 0, 1)    output = np.uint8(output * 255)    return output@time_utils.performance("salt_pepper_noise")def salt_pepper_noise(image: np.ndarray, prob=0.01):    """    添加椒盐噪声，该方法需要遍历每个像素，十分缓慢    :param image:    :param prob: 噪声比例    :return:    """    for i in range(image.shape[0]):        for j in range(image.shape[1]):            if random.random() < prob:                image[i][j] = 0 if random.random() < 0.5 else 255            else:                image[i][j] = image[i][j]    return image@time_utils.performance("fast_salt_pepper_noise")def fast_salt_pepper_noise(image: np.ndarray, prob=0.02):    """    随机生成一个0~1的mask，作为椒盐噪声    :param image:图像    :param prob: 椒盐噪声噪声比例    :return:    """    image = add_uniform_noise(image, prob * 0.51, vaule=255)    image = add_uniform_noise(image, prob * 0.5, vaule=0)    return imagedef add_uniform_noise(image: np.ndarray, prob=0.05, vaule=255):    """    随机生成一个0~1的mask，作为椒盐噪声    :param image:图像    :param prob: 噪声比例    :param vaule: 噪声值    :return:    """    h, w = image.shape[:2]    noise = np.random.uniform(low=0.0, high=1.0, size=(h, w)).astype(dtype=np.float32)  # 产生高斯噪声    mask = np.zeros(shape=(h, w), dtype=np.uint8) + vaule    index = noise > prob    mask = mask * (~index)    output = image * index[:, :, np.newaxis] + mask[:, :, np.newaxis]    output = np.clip(output, 0, 255)    output = np.uint8(output)    return outputdef cv_show_image(title, image, use_rgb=True, delay=0):    """    调用OpenCV显示RGB图片    :param title: 图像标题    :param image: 输入是否是RGB图像    :param use_rgb: True:输入image是RGB的图像, False:返输入image是BGR格式的图像    :return:    """    img = image.copy()    if img.shape[-1] == 3 and use_rgb:        img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)  # 将BGR转为RGB    # cv2.namedWindow(title, flags=cv2.WINDOW_AUTOSIZE)    cv2.namedWindow(title, flags=cv2.WINDOW_NORMAL)    cv2.imshow(title, img)    cv2.waiTKEy(delay)    return imgif __name__ == "__main__":    test_file = "test.png"    image = cv2.imread(test_file)    prob = 0.02    for i in range(10):        out1 = gaussian_noise(image.copy())        out2 = salt_pepper_noise(image.copy(), prob=prob)        out3 = fast_salt_pepper_noise(image.copy(), prob=prob)        print("----" * 10)    cv_show_image("image", image, use_rgb=False, delay=1)    cv_show_image("gaussian_noise", out1, use_rgb=False, delay=1)    cv_show_image("salt_pepper_noise", out2, use_rgb=False, delay=1)    cv_show_image("fast_salt_pepper_noise", out3, use_rgb=False, delay=0)

循环机10次，salt_pepper_noise平均耗时125.49021ms，而fast_salt_pepper_noise平均耗时6.12011ms ，性能提高60倍左右，其生成的效果是基本一致的

call gaussian_noise elapsed: avg:19.42925ms     total:194.29255ms     count:10
call salt_pepper_noise elapsed: avg:125.49021ms     total:1254.90212ms     count:10
call fast_salt_pepper_noise elapsed: avg:6.12011ms     total:61.20110ms     count:10 

原图	高斯噪声
salt_pepper_noise	fast_salt_pepper_noise

来源地址：https://blog.csdn.net/guyuealian/article/details/126542210