【图像处理】python | 给图像添加噪声 | random_noise

文章目录

• 一、random_noise函数介绍
• 二、实际操作
• • 2.1.导入照片
  • 2.2.添加高斯噪声
  • 2.3.添加椒盐噪声
  • 2.4.对比

---

一、random_noise函数介绍

首先，我们看一下random_noise的构造：

floating-point image是浮点图的意思。**kwargs是关键字参数的意思，对这部分我也作一定的学习（之前不懂），改天写一个博客记录一下。它的作用：把多个关键字参数打包。

1.image:

输入的图像是n维数组，会转换为浮点型
2.mode:

除了高斯型，还有椒盐，泊松等等
3.关键字参数:

一些比较经典的，比如高斯噪声需要的均值，方差，就需要在这里设定
4.返回值:

最后返回的添加了噪声的n维数组

二、实际操作

首先，在使用前需要掉包：

from skimage.util import random_noise #添加噪声模块

skimage即是Scikit-Image,数字图像处理包

2.1.导入照片

这次我们用plt.imread来读取照片，读出来的格式直接就是ndarray的格式，格式为宽，高，通道；同时是uint8(8位无符号整数类型),范围在[0, 255]，2的8次方是256(按照网上的说法，为了节省空间，图像存储一般用的uint8)：

image=plt.imread('1.jpg');print(type(image))  #图片种类print(image.shape)  #打印图片大小print(image.dtype)  #打印图片数据类型plt.imshow(image)plt.show()

imshow了之后 别忘了经典的show()永恒的经典


导入照片有好几种方式，有时间了我也写一篇博客总结一下

2.2.添加高斯噪声

代码如下（示例）：

from skimage.util import random_noise #添加噪声模块import matplotlib.pyplot as pltimage=plt.imread('1.jpg');print(type(image))  #图片种类print(image.shape)  #打印图片大小print(image.dtype)  #打印图片数据类型plt.subplot(2,2,1)plt.title('origin')plt.imshow(image)noise_gaussian_1=random_noise(image,mode="gaussian",clip=True)noise_gaussian_2=random_noise(image,mode="gaussian",var=0.1,clip=True)noise_gaussian_3=random_noise(image,mode="gaussian",var=1,clip=True)plt.subplot(2,2,2)plt.title('var=0.01')plt.imshow(noise_gaussian_1)plt.subplot(2,2,3)plt.title('var=0.1')plt.imshow(noise_gaussian_2)plt.subplot(2,2,4)plt.title('var=1')plt.imshow(noise_gaussian_3)plt.show()

结果如下所示：

还是经典的方差越大，噪声越明显

2.3.添加椒盐噪声

这个还是有一点点复杂的：


变量名难得改了

from skimage.util import random_noise #添加噪声模块import matplotlib.pyplot as pltimage=plt.imread('1.jpg');print(type(image))  #图片种类print(image.shape)  #打印图片大小print(image.dtype)  #打印图片数据类型plt.subplot(2,2,1)plt.title('origin')plt.imshow(image)noise_gaussian_1=random_noise(image,mode="salt",amount=0.5,clip=True)noise_gaussian_2=random_noise(image,mode="pepper",amount=0.5,clip=True)noise_gaussian_3=random_noise(image,mode="s&p",amount=0.5,clip=True)plt.subplot(2,2,2)plt.title('salt')plt.imshow(noise_gaussian_1)plt.subplot(2,2,3)plt.title('pepper')plt.imshow(noise_gaussian_2)plt.subplot(2,2,4)plt.title('s&p')plt.imshow(noise_gaussian_3)plt.show()

2.4.对比

变量名难得改了

from skimage.util import random_noise #添加噪声模块import matplotlib.pyplot as pltimage=plt.imread('1.jpg');print(type(image))  #图片种类print(image.shape)  #打印图片大小print(image.dtype)  #打印图片数据类型plt.imshow(image)plt.show()noise_gaussian_1=random_noise(image,mode="gaussian",var=0.1,clip=True)noise_gaussian_2=random_noise(image,mode="salt",amount=0.5,clip=True)noise_gaussian_3=random_noise(image,mode="pepper",amount=0.5,clip=True)noise_gaussian_4=random_noise(image,mode="s&p",amount=0.5,clip=True)plt.imshow(noise_gaussian_1)plt.show()plt.imshow(noise_gaussian_2)plt.show()plt.imshow(noise_gaussian_3)plt.show()plt.imshow(noise_gaussian_4)plt.show()

原图：

高斯噪声图：

盐图：

椒图：

椒盐噪声图：

就是这个椒盐和我想象的有点不一样

来源地址：https://blog.csdn.net/weixin_46274756/article/details/127508626