高斯噪聲

高斯噪聲是指它的概率密度函數(shù)服從高斯分布（即正態(tài)分布）的一類噪聲。常見的高斯噪聲包括起伏噪聲、宇宙噪聲、熱噪聲和散粒噪聲等等。

除常用抑制噪聲的方法外，對(duì)高斯噪聲的抑制方法常常采用數(shù)理統(tǒng)計(jì)方法。

高斯白噪聲：如果一個(gè)噪聲，它的幅度分布服從高斯分布，而它的功率譜密度又是均勻分布的，則稱它為高斯白噪聲。

圖像噪聲

圖像噪聲是指存在于圖像數(shù)據(jù)中的不必要的或多余的干擾信息。噪聲的存在嚴(yán)重影響了遙感圖像的質(zhì)量，因此在圖像增強(qiáng)處理和分類處理之前，必須予以糾正。

圖像中各種妨礙人們對(duì)其信息接受的因素即可稱為圖像噪聲 。

噪聲在理論上可以定義為“不可預(yù)測(cè)，只能用概率統(tǒng)計(jì)方法來認(rèn)識(shí)的隨機(jī)誤差”。因此將圖像噪聲看成是多維隨機(jī)過程是合適的，因而描述噪聲的方法完全可以借用隨機(jī)過程的描述，即用其概率分布函數(shù)和概率密度分布函數(shù)。

高斯定理

高斯定理（Gauss’ law）也稱為高斯通量理論（Gauss’ flux theorem），或稱作散度定理、高斯散度定理、高斯－奧斯特羅格拉德斯基公式、奧氏定理或高－奧公式（通常情況的高斯定理都是指該定理，也有其它同名定理）。

python3圖像加高斯噪聲

• 依賴

  • python 3.x
  • opencv2
  • numpy

• 核心思想

  1、將原始圖像的像素值進(jìn)行歸一化

  image = np.array(img / 255, dtype=float)
  

  2、創(chuàng)建一個(gè)均值為mean，方差為sigma，呈高斯分布的圖像矩陣，作為圖像噪聲

  noise = np.random.normal(mean, sigma/255.0, image.shape)
  

  3、將噪聲和歸一化后的圖像進(jìn)行相加得到加噪后的圖像

  out = image + noise
  

• 代碼實(shí)現(xiàn)圖像加高斯噪聲

  test.py:

  import numpy as np
  import cv2
  import os
  import sys
  import random
  
  def main(path):
      
      img = cv2.imread(path)
      gn_img = gauss_noise(img, 0, random.randint(15, 30))#這里加了隨機(jī)值
      cv2.imwrite('gauss_noise.png', gn_img)
      
      
  def gauss_noise(img, mean=0, sigma=25):
      
      image = np.array(img / 255, dtype=float)  # 將原始圖像的像素值進(jìn)行歸一化
      # 創(chuàng)建一個(gè)均值為mean，方差為sigma，呈高斯分布的圖像矩陣
      noise = np.random.normal(mean, sigma/255.0, image.shape)
      out = image + noise  # 將噪聲和原始圖像進(jìn)行相加得到加噪后的圖像
      res_img = np.clip(out, 0.0, 1.0)
      res_img = np.uint8(res_img * 255.0) 
      
      return res_img
      
  if __name__ == '__main__':
      if len(sys.argv) == 2:
          main(sys.argv[1])
  
  

• 用法：

  python test.py img_path

• 測(cè)試輸入
  

• 測(cè)試效果圖
  

參考

1.百度百科文章來源地址http://www.zghlxwxcb.cn/news/detail-476514.html

到了這里，關(guān)于python3圖像加高斯噪聲的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！