公司的网站建设费怎么入账,顺口大气三个字公司名字,网站建设人员性格,网站关键字 怎么设置一、噪声分类
1、高斯噪声
指服从高斯分布#xff08;正态分布#xff09;的一类噪声#xff0c;其产生的主要原因是由于相机在拍摄时视场较暗且亮度不均匀造成的#xff0c;同时相机长时间工作使得温度过高也会引起高斯噪声#xff0c;另外电路元器件白身噪声和互相影响…一、噪声分类
1、高斯噪声
指服从高斯分布正态分布的一类噪声其产生的主要原因是由于相机在拍摄时视场较暗且亮度不均匀造成的同时相机长时间工作使得温度过高也会引起高斯噪声另外电路元器件白身噪声和互相影响也是造成高斯噪声的重要原因之一。
概率密度函数PDF如下 初始图片 注意加噪声时不能直接将 noiseimg不然最终出来的是一片空白和零星几个噪点原因在于cv2.imshow输入要求是 0-1 float 或者 0-255 int。
代码
import cv2
import random
import numpy as np
img cv2.imread(A.png)# 产生高斯随机数
noise np.random.normal(0,50,sizeimg.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img img noise
img np.clip(img,0,255)
img img/255 cv2.imshow(Gauss noise,img)
cv2.waitKey(0) 3高斯滤波
高斯滤波是一种线性平滑滤波一般用于消除高斯噪声。对于每一个像素点的值是由其本身和邻域内的其他像素值经过加权平均后得到。
二维高斯函数 具体过程 代码使用cv2.GaussianBlur()函数 注意高斯模糊半径不能为偶数
滤波结果 2、泊松噪声
简言之就是符合泊松分布的噪声模型又称散粒噪声。 使用**np.random.poisson()**函数
import cv2
import random
import numpy as np
img cv2.imread(A.png)# 产生泊松噪声
noise np.random.poisson(lam20,sizeimg.shape).astype(uint8)# 加上噪声
img img noise
np.clip(img,0,255)
img img/255cv2.imshow(Poisson noise,img)
cv2.waitKey(0) λ值越大噪声程度越深。
3、椒盐噪声
椒盐噪声又称为脉冲噪声是在图像上随机出现黑色白色的像素顾名思义就是椒盐噪声 椒噪声值为0黑色 盐噪声值为255白色
直接上代码
import cv2
import random
import numpy as np
img cv2.imread(A.png)# 转化成向量
x img.reshape(1,-1)
# 设置信噪比
SNR 0.85
# 得到要加噪的像素数目
noise_num x.size * (1-SNR)
# 得到需要加噪的像素值的位置
list random.sample(range(0,x.size),int(noise_num))for i in list:if random.random() 0.5:x[0][i] 0else:x[0][i] 255
img1 x.reshape(img.shape)cv2.imshow(saltpepper noise,img1)
cv2.waitKey(0) SNR越小噪声越大。
4、瑞利噪声
一般是由由信道不理想引起的它与信号的关系是相乘信号在它在信号不在他也就不在。
瑞利密度对倾斜形状直方图的建模非常有用。
在生成瑞利噪声的时候其实采用的是**np.random.rayleigh()** 方法生成而这个方法就是根据第二个公式来的所以只需要指定1个参数得到的分布和第一个公式相比本质是相同的。
代码
import cv2
import random
import numpy as np
img cv2.imread(A.png)# 产生瑞利噪声
sigma 70.0
noise np.random.rayleigh(sigma, sizeimg.shape)
# 可以试试下面这个效果
# noise np.random.rayleigh(img, sizeimg.shape)# 加上噪声
img img noise
np.clip(img,0,255)
img img/255cv2.imshow(Rayleigh noise,img)
cv2.waitKey(0)
print(img.shape) 5、爱尔兰伽马噪声
概率密度函数PDF如下b是一个正整数
指数分布和卡方分布其实可以看成是伽马分布的特殊形式。
b 1时指数分布
b n/2a 1/2时卡方分布。
代码
noise np.random.gamma(shape10.0,scale10.0,sizeimg.shape)
#其他部分同上 6、均匀噪声
noise np.random.uniform(50,100,img.shape)
#其他部分同上 二、去噪方法
1、均值滤波
1.1 算术平均滤波 import cv2
import random
import numpy as np
img cv2.imread(A.png)# 产生高斯随机数
noise np.random.normal(0,50,sizeimg.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img img noise
img np.clip(img,0,255)
img img/255 # 算术平均滤波
img1 np.transpose(img,(2,0,1)) #转换成[channel,H,W]形式
m 3 #定义滤波核大小
n 3
rec_img np.zeros((img1.shape[0],img1.shape[1]-m1,img1.shape[2]-n1))
for channel in range(rec_img.shape[0]):for i in range(rec_img[channel].shape[0]):for j in range(rec_img[channel].shape[1]):rec_img[channel][i,j] img1[channel][i:im,j:jn].sum()/(m*n)
rec_img np.transpose(rec_img,(1,2,0))cv2.imshow(average,rec_img)
cv2.waitKey(0)
具体过程可以配合下图理解 去噪效果 1.2 几何均值滤波 import cv2
import random
import numpy as np
img cv2.imread(A.png)# 产生高斯随机数
noise np.random.normal(0,50,sizeimg.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img img noise
img np.clip(img,0,255)
img img/255 # 几何均值滤波
img1 np.transpose(img,(2,0,1)) #转换成[channel,H,W]形式
m 3 #定义滤波核大小
n 3
rec_img np.zeros((img1.shape[0],img1.shape[1]-m1,img1.shape[2]-n1))
for channel in range(rec_img.shape[0]):for i in range(rec_img[channel].shape[0]):for j in range(rec_img[channel].shape[1]):rec_img[channel][i,j] np.power(np.prod(img1[channel][i:im,j:jn]),1/(m*n))
rec_img np.transpose(rec_img,(1,2,0))cv2.imshow(average,rec_img)
cv2.waitKey(0)
去噪效果
几何均值滤波对0值是非常敏感缺陷也很明显那就是当窗口内像素只要有一个值为0则其计算得到的值就是0。
1.3 谐波平均滤波
rec_img[channel][i,j] 1/(np.power(img1[channel][i:im,j:jn],-1).sum())*(m*n)
# 其余部分同上 该方法既能处理盐粒噪声又能处理类似于于高斯噪声的其他噪声但是不能处理胡椒噪声
2、统计排序滤波
2.1 中值滤波
我们非常熟悉的一种去噪方法它是用像素邻域中的灰度中值来代替像素的值。
代码
import cv2
import random
import numpy as np
img cv2.imread(A.png)# 产生高斯随机数
noise np.random.normal(0,50,sizeimg.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img img noise
img np.clip(img,0,255)
img img/255 # 中值滤波
img1 np.transpose(img,(2,0,1)) #转换成[channel,H,W]形式
m 3 #定义滤波核大小
n 3
rec_img np.zeros((img1.shape[0],img1.shape[1]-m1,img1.shape[2]-n1))
for channel in range(rec_img.shape[0]):for i in range(rec_img[channel].shape[0]):for j in range(rec_img[channel].shape[1]):rec_img[channel][i,j] np.median(img1[channel][i:im,j:jn])
rec_img np.transpose(rec_img,(1,2,0))cv2.imshow(median,rec_img)
cv2.waitKey(0)
去噪效果
或者直接使用cv2.medianBlur()函数
import cv2
import random
import numpy as np
img cv2.imread(A.png)# 产生高斯随机数
noise np.random.normal(0,50,sizeimg.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img img noise
img np.clip(img,0,255)
img np.uint8(img)# 中值滤波
rec_img cv2.medianBlur(img,3)cv2.imshow(median,rec_img)
cv2.waitKey(0)
2.2 最大值和最小值滤波
代码
rec_img[channel][i,j] (np.amax(img1[channel][i:im,j:jn]) np.amin(img1[channel][i:im,j:jn]))/2
对高斯噪声处理的滤波效果 2.4 修正阿尔法均值滤波
处理方法在邻域 S x y S_{xy} Sxy 内删除 d / 2 d/2 d/2个最低灰度值和 d / 2 d/2 d/2个最高灰度值。 g R ( r , c ) g_{R}(r,c) gR(r,c)表示 S x y S_{xy} Sxy 中剩下的 m n − d mn-d mn−d个像素。
d 0 d0 d0 变成算术平均滤波
d m n − 1 dmn-1 dmn−1中值滤波
代码
import cv2
import random
import numpy as np
img cv2.imread(A.png)# 产生高斯随机数
noise np.random.normal(0,50,sizeimg.size).reshape(img.shape[0],img.shape[1],img.shape[2])
# 加上噪声
img img noise
img np.clip(img,0,255)
img img/255 # 修正阿尔法均值滤波
img1 np.transpose(img,(2,0,1)) #转换成[channel,H,W]形式
m 3 #定义滤波核大小
n 3
d 4 #d取偶数
rec_img np.zeros((img1.shape[0],img1.shape[1]-m1,img1.shape[2]-n1))
for channel in range(rec_img.shape[0]):for i in range(rec_img[channel].shape[0]):for j in range(rec_img[channel].shape[1]):img2 np.sort(np.ravel(img1[channel][i:im,j:jn])) #np.ravel():多维数组变成一维数组rec_img[channel][i,j] (img2[int(d/2):-int(d/2)].sum())*(1/(m*n-d))
rec_img np.transpose(rec_img,(1,2,0))cv2.imshow(alpha average,rec_img)
cv2.waitKey(0)
去噪效果
