服务器之家

服务器之家 > 正文

Python实现对图像加噪(高斯噪声 椒盐噪声)

时间:2022-03-07 00:15     来源/作者:骊山道童

内容简介

展示如何给图像叠加不同等级的椒盐噪声和高斯噪声的代码,相应的叠加噪声的已编为对应的类,可实例化使用。以下主要展示自己编写的:

加噪声的代码(高斯噪声,椒盐噪声)

add_noise.py

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
#代码中的noisef为信号等级,例如我需要0.7的噪声,传入参数我传入的是1-0.7
from PIL import Image
import numpy as np
import random
 
import torchvision.transforms as transforms
 
norm_mean = (0.5, 0.5, 0.5)
norm_std = (0.5, 0.5, 0.5)
class AddPepperNoise(object):
    """增加椒盐噪声
    Args:
        snr (float): Signal Noise Rate
        p (float): 概率值,依概率执行该操作
    """
 
    def __init__(self, snr, p=0.9):
        assert isinstance(snr, float) and (isinstance(p, float))    # 2020 07 26 or --> and
        self.snr = snr
        self.p = p
 
    def __call__(self, img):
        """
        Args:
            img (PIL Image): PIL Image
        Returns:
            PIL Image: PIL image.
        """
        if random.uniform(0, 1) < self.p:
            img_ = np.array(img).copy()
            h, w, c = img_.shape
            signal_pct = self.snr
            noise_pct = (1 - self.snr)
            mask = np.random.choice((0, 1, 2), size=(h, w, 1), p=[signal_pct, noise_pct/2., noise_pct/2.])
            mask = np.repeat(mask, c, axis=2)
            img_[mask == 1] = 255   # 盐噪声
            img_[mask == 2] = 0     # 椒噪声
            return Image.fromarray(img_.astype('uint8')).convert('RGB')
        else:
            return img
 
class Gaussian_noise(object):
    """增加高斯噪声
    此函数用将产生的高斯噪声加到图片上
    传入:
        img   :  原图
        mean  :  均值
        sigma :  标准差
    返回:
        gaussian_out : 噪声处理后的图片
    """
 
    def __init__(self, mean, sigma):
 
        self.mean = mean
        self.sigma = sigma
 
    def __call__(self, img):
        """
        Args:
            img (PIL Image): PIL Image
        Returns:
            PIL Image: PIL image.
        """
        # 将图片灰度标准化
        img_ = np.array(img).copy()
        img_ = img_ / 255.0
        # 产生高斯 noise
        noise = np.random.normal(self.mean, self.sigma, img_.shape)
        # 将噪声和图片叠加
        gaussian_out = img_ + noise
        # 将超过 1 的置 1,低于 0 的置 0
        gaussian_out = np.clip(gaussian_out, 0, 1)
        # 将图片灰度范围的恢复为 0-255
        gaussian_out = np.uint8(gaussian_out*255)
        # 将噪声范围搞为 0-255
        # noise = np.uint8(noise*255)
        return Image.fromarray(gaussian_out).convert('RGB')
 
def image_transform(noisef):
    """对训练集和测试集的图片作预处理转换
        train_transform:加噪图
        _train_transform:原图(不加噪)
        test_transform:测试图(不加噪)
    """
    train_transform = transforms.Compose([
        transforms.Resize((256, 256)),  # 重设大小
        #transforms.RandomCrop(32,padding=4),
        AddPepperNoise(noisef, p=0.9),                 #加椒盐噪声
 
        #Gaussian_noise(0, noisef),  # 加高斯噪声
 
        transforms.ToTensor(),  # 转换为张量
        # transforms.Normalize(norm_mean,norm_std),
    ])
    _train_transform = transforms.Compose([
        transforms.Resize((256, 256)),
        #transforms.RandomCrop(32,padding=4),
        transforms.ToTensor(),
        # transforms.Normalize(norm_mean,norm_std),
 
    ])
    test_transform = transforms.Compose([
        transforms.Resize((256, 256)),
        #transforms.RandomCrop(32,padding=4),
        transforms.ToTensor(),
        # transforms.Normalize(norm_mean,norm_std),
 
    ])
    return train_transform, _train_transform, test_transform

在pytorch中如何使用

?
1
2
3
4
5
6
# 图像变换和加噪声train_transform为加噪图,_train_transform为原图,test_transform为测试图   noisef为传入的噪声等级
train_transform,_train_transform,test_transform = image_transform(noisef)
 
training_data=FabricDataset_file(data_dir=train_dir,transform=train_transform)
_training_data=FabricDataset_file(data_dir=_train_dir,transform=_train_transform)
testing_data=FabricDataset_file(data_dir=test_dir,transform=test_transform)<font face="Arial, Verdana, sans-serif"><span style="white-space: normal;"> </span></font>

补充

图像添加随机噪声

随机噪声就是通过随机函数在图像上随机地添加噪声点

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
def random_noise(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
?
1
2
3
img_noise = random_noise("colorful_lena.jpg",3000)
cv2.imshow('random_noise',img_noise)
cv2.waitKey(0)

以上就是Python实现对图像添加高斯噪声或椒盐噪声的详细内容,更多关于Python的资料请关注服务器之家其它相关文章!

原文链接:https://blog.csdn.net/qq_41858510/article/details/121485126

标签:

相关文章

热门资讯

2022年最旺的微信头像大全 微信头像2022年最新版图片
2022年最旺的微信头像大全 微信头像2022年最新版图片 2022-01-10
蜘蛛侠3英雄无归3正片免费播放 蜘蛛侠3在线观看免费高清完整
蜘蛛侠3英雄无归3正片免费播放 蜘蛛侠3在线观看免费高清完整 2021-08-24
背刺什么意思 网络词语背刺是什么梗
背刺什么意思 网络词语背刺是什么梗 2020-05-22
yue是什么意思 网络流行语yue了是什么梗
yue是什么意思 网络流行语yue了是什么梗 2020-10-11
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全 2019-12-26
返回顶部