Python实现图像随机添加椒盐噪声和高斯噪声

2023-05-08 原文

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。

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 image
 
 
def 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 cv2
import random
import numpy as np
from 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 image
 
 
def 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
 
 
def 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 img
 
 
if __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

到此这篇关于Python实现图像随机添加椒盐噪声和高斯噪声的文章就介绍到这了,更多相关Python图像添加噪声内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！