Opencv添加椒盐噪声高斯滤波去除噪声
泡泡怡 人气:0一、噪声
我们将常会听到平滑（去噪），锐化（和平滑是相反的），那我们就会有疑惑？什么是噪声呢？图像噪声是指存在于图像数据中不必要的或多余的干扰信息，噪声的存在严重影响了图像的质量。噪声在理论上是”不可预测“的，所以我们只能用概率论方法认识“随机误差”。
二、噪声的分类
光电管的噪声、摄像管噪声、摄像机噪声、椒盐噪声（数字图像常见的噪声，椒盐噪声就是在图像上随机出现黑色白色的像素）等等。
三、图像中添加椒盐噪声
椒盐噪声又被称作脉冲噪声，它会随机改变图像中的像素值，是由相机成像、图像传输、解码处理等过程产生的黑白相间的亮暗点噪声，其样子就像在图像上随机的撒上一些盐粒和黑椒粒，因此被称为椒盐噪声。
代码如下：
import numpy as np
import cv2
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
def add_sp_noise(img,sp_number):
new_image=img
row,col,channel=img.shape#获取行列,通道信息
s=int(sp_number*img.size/channel)#根据sp_number确定椒盐噪声
#确定要扫椒盐的像素值
change=np.concatenate((np.random.randint(0,row,size=(s,1)),np.random.randint(0,col,size=(s,1))),axis=1)
for i in range(s):
r=np.random.randint(0,2)#确定撒椒（0）还是盐（1）
for j in range(channel):
new_image[change[i,0],change[i,1],j]=r
return new_image注意：在进行实验的时候，我们需要注意要进行拷贝不然原图会被破坏。
测试：
img=cv2.imread("C:/Users/bwy/Desktop/peppers.JPG")
im=img.copy()
im2=img.copy()
im3=img.copy()
im=add_sp_noise(im,0.05)
im2=add_sp_noise(im2,0.1)
im3=add_sp_noise(im3,0.3)
r=np.hstack((img,im,im2,im3))
cv_show('r',r)结果如图所示：
从图上看出，sp_number越大，噪声点越多。
四、基于滤波器方法去噪
高斯滤波（手写代码）：滤掉噪声的代价就是图像会有所模糊。
计算过程：
此时还要确保这九个点加起来为1（高斯模板的特性），这9个点的权重为0.4787147，因此将9个值都除以0.4787147，得到最终的高斯模板。
再与图像像素进行乘积，四周加和代替中间的。
（1）灰度图像高斯滤波：
def gaosi_f(img,k_size,sigma):
##滤波图片的尺寸
h=img.shape[0]
w=img.shape[1]
##用0填充边缘
pad=k_size//2
transform_img=np.zeros((h+2*pad,w+2*pad))
transform_img[pad:h+pad,pad:w+pad]=img
new_img=np.zeros((h,w))
##先计算高斯滤波核
gaosi_filter=np.zeros((k_size,k_size))
for x in range(-pad,-pad+k_size):
for y in range(-pad,-pad+k_size):
gaosi_filter[y+pad,x+pad]=np.exp(-(x**2+y**2)/(2*sigma**2))/(2*np.pi*sigma**2)
gaosi_filter=gaosi_filter/np.sum(gaosi_filter)
##计算滤波后的图片
for i in range(pad,h+pad):
for j in range(pad,w+pad):
##取图像k_size x k_size的像素值
p_img=transform_img[i-pad:i+pad+1,j-pad:j+pad+1]
##进行高斯滤波
value=np.sum(np.multiply(p_img,gaosi_filter))
new_img[i-pad,j-pad]=value
##对滤波后的图片中的像素值取整
new_img=np.round(new_img).astype(np.uint8)
return new_img彩色图像高斯滤波：
def gaosi_fS(img,k_size,sigma):
h=img.shape[0]
w=img.shape[1]
imShape=img.shape
dim=len(imShape)
if dim==2:
eim=gaosi_f(img,k_size,sigma)
else:
imR=img[:,:,0]
imG=img[:,:,1]
imB=img[:,:,2]
eim=np.zeros((h,w,3))
eimr=gaosi_f(imR,k_size,sigma)
eimg=gaosi_f(imG,k_size,sigma)
eimb=gaosi_f(imB,k_size,sigma)
eim[:,:,0]=eimr
eim[:,:,1]=eimg
eim[:,:,2]=eimb
return eim测试：
new_img=gaosi_fS(im,3,0.5)
cv_show("new_img",new_img)
cv_show("im",im)结果如图所示：
五、opencv高斯滤波调包
aussian = cv2.GaussianBlur(im, (5,5), 1)
cv_show("aussian",aussian)结果如图所示：
总结
加载全部内容