数字图像处理-python随机噪声、高斯噪声和椒盐噪声实现

一、随机噪声、高斯噪声和椒盐噪声

1、效果展示

 

 

2、代码部分

import cv2
import numpy as np
from PyQt5.QtCore import QThread
import random

class Noise(QThread):
    def __init__(self):
        super(Noise, self).__init__()
        pass

    def random_noise(self, image, noise_num):
        '''
        添加随机噪点（实际上就是随机在图像上将像素点的灰度值变为255即白色）
        :param image: 需要加噪的图片
        :param noise_num: 添加的噪音点数目，一般是上千级别的
        :return: img_noise
        '''
        #
        # 参数image：，noise_num：
        img = cv2.imread(image)
        img_noise = img
        # cv2.imshow("src", img)
        rows, cols, chn = img_noise.shape
        # 加噪声
        for i in range(noise_num):
            x = np.random.randint(0, rows)  # 随机生成指定范围的整数
            y = np.random.randint(0, cols)
            img_noise[x, y, :] = 255
        return img_noise

    def sp_noise(self, image, prob):
        '''
        添加椒盐噪声
        image:原始图片
        prob:噪声比例
        '''
        image = cv2.imread(image)
        output = np.zeros(image.shape, np.uint8)
        noise_out = np.zeros(image.shape, np.uint8)
        thres = 1 - prob
        for i in range(image.shape[0]):
            for j in range(image.shape[1]):
                rdn = random.random()  # 随机生成0-1之间的数字
                if rdn < prob:  # 如果生成的随机数小于噪声比例则将该像素点添加黑点，即椒噪声
                    output[i][j] = 0
                    noise_out[i][j] = 0
                elif rdn > thres:  # 如果生成的随机数大于（1-噪声比例）则将该像素点添加白点，即盐噪声
                    output[i][j] = 255
                    noise_out[i][j] = 255
                else:
                    output[i][j] = image[i][j]  # 其他情况像素点不变
                    noise_out[i][j] = 100
        result = [noise_out, output]  # 返回椒盐噪声和加噪图像
        return result

    def gasuss_noise(self, image, mean=0, var=0.001):
        '''
            添加高斯噪声
            image:原始图像
            mean : 均值
            var : 方差,越大，噪声越大
        '''
        image = cv2.imread(image)
        image = np.array(image/255, dtype=float)#将原始图像的像素值进行归一化，除以255使得像素值在0-1之间
        noise = np.random.normal(mean, var ** 0.5, image.shape)#创建一个均值为mean，方差为var呈高斯分布的图像矩阵
        out = image + noise#将噪声和原始图像进行相加得到加噪后的图像
        if out.min() < 0:
            low_clip = -1.
        else:
            low_clip = 0.
        out = np.clip(out, low_clip, 1.0)#clip函数将元素的大小限制在了low_clip和1之间了，小于的用low_clip代替，大于1的用1代替
        out = np.uint8(out*255)#解除归一化，乘以255将加噪后的图像的像素值恢复
        #cv.imshow("gasuss", out)
        noise = noise*255
        return [noise,out]