python3图像加高斯噪声-Toy模板网

这篇具有很好参考价值的文章主要介绍了python3图像加高斯噪声。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

高斯噪声

高斯噪声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。常见的高斯噪声包括起伏噪声、宇宙噪声、热噪声和散粒噪声等等。

除常用抑制噪声的方法外，对高斯噪声的抑制方法常常采用数理统计方法。

高斯白噪声：如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。

python3图像加高斯噪声

图像噪声

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。噪声的存在严重影响了遥感图像的质量，因此在图像增强处理和分类处理之前，必须予以纠正。

图像中各种妨碍人们对其信息接受的因素即可称为图像噪声。

噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。

python3图像加高斯噪声

高斯定理

高斯定理（Gauss’ law）也称为高斯通量理论（Gauss’ flux theorem），或称作散度定理、高斯散度定理、高斯－奥斯特罗格拉德斯基公式、奥氏定理或高－奥公式（通常情况的高斯定理都是指该定理，也有其它同名定理）。

python3图像加高斯噪声

依赖
- python 3.x
- opencv2
- numpy
核心思想

1、将原始图像的像素值进行归一化
```
image = np.array(img / 255, dtype=float)
```
2、创建一个均值为mean，方差为sigma，呈高斯分布的图像矩阵，作为图像噪声
```
noise = np.random.normal(mean, sigma/255.0, image.shape)
```
3、将噪声和归一化后的图像进行相加得到加噪后的图像
```
out = image + noise
```

代码实现图像加高斯噪声

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))#这里加了随机值
    cv2.imwrite('gauss_noise.png', gn_img)
    
    
def gauss_noise(img, mean=0, sigma=25):
    
    image = np.array(img / 255, dtype=float)  # 将原始图像的像素值进行归一化
    # 创建一个均值为mean，方差为sigma，呈高斯分布的图像矩阵
    noise = np.random.normal(mean, sigma/255.0, image.shape)
    out = image + noise  # 将噪声和原始图像进行相加得到加噪后的图像
    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])