图像的加噪与去噪（python）
图像的加噪与去噪（python）高斯噪声(Gaussiannoise)和椒盐噪声(salt-and-peppernoise)均可通过Python库：skimage实现。
#import os #import语句的作用是用来导入模块，可以出现在程序任何位置
import cv2 as cv #导入openCV库
import skimage #导入skimage模块.scikit-image是一个图像处理算法的集合。它是基于scipy的一款图像处理包，它将图片作为numpy数组进行处理，方便进行后续运算。
#必须首先安装numpy,scipy,matplotlib
import numpy as np #导入numpy模块。numpy是python扩展程序库，支持数组和矩阵运算，针对数组运算提供大量数学函数库。
def boxBlur(img):
# 使用5x5的滤波核进行平滑
blur = cv.boxFilter(img,-1,(5, 5))
return blur
def gaussianBlur(img):
# 使用高斯核进行平滑
blur = cv.GaussianBlur(img,(5, 5),1.5)
return blur
def main():
# 2. 定义图片类img
path = r"C:\Users\98238\Desktop\Lenna.jpg"
img = cv.imread(path)
start_t = cv.getTickCount()
# 5. 加噪声，绘图
##############################################3
# add gaussian noise
gauss_noiseImg = skimage.util.random_noise(img, mode='gaussian')# 添加10%的高斯噪声
gauss_noiseImg=gauss_noiseImg
salt_noiseImg = skimage.util.random_noise(img, mode='salt') # 添加椒盐噪声
lb_gauss=cv.medianBlur(gauss_noiseImg.astype('float32'), 1)#中值滤波
lb_salt=cv.medianBlur(salt_noiseImg.astype('float32'), 1)#中值滤波
print(gauss_noiseImg.dtype, "gaussian noisy image dtype")#输出一个注释
print(gauss_noiseImg.shape, "gaussian noisy image shape")#输出一个注释
print(salt_noiseImg.dtype, "salt noisy image dtype")#输出一个注释
print(salt_noiseImg.shape, "salt noisy image shape")#输出一个注释
cv.namedWindow("Original Image", cv.WINDOW_NORMAL)#输出原图片的标题
cv.imshow('Original Image', img)#输出原图片
# Gaussian noisy image
cv.namedWindow("Added Gaussian Noise Image", cv.WINDOW_NORMAL)#输出高斯噪声图片的标题
cv.imshow('Added Gaussian Noise Image', gauss_noiseImg)#输出高斯噪声图片
# Salt noisy image
cv.namedWindow("Added Salt Noise Image", cv.WINDOW_NORMAL)#输出椒盐噪声图片的标题
cv.imshow('Added Salt Noise Image', salt_noiseImg)#输出椒盐噪声图片
#滤波后的图像
cv.namedWindow("lbguass Image", cv.WINDOW_NORMAL)#输出滤波后高斯噪声图片标题
cv.imshow('lbguass Image', lb_gauss)#输出滤波后高斯噪声图片
cv.namedWindow("lbsalt Image", cv.WINDOW_NORMAL)#输出滤波后椒盐噪声图片标题
cv.imshow('lbsalt Image', lb_salt)#输出滤波后椒盐噪声图片
#####################################################
stop_t = ((cv.getTickCount() - start_t) / cv.getTickFrequency()) * 1000#运行时间
print(stop_t, "ms")#输出时间并加上单位
cv.waitKey(0)
cv.destroyAllWindows()
if __name__ == "__main__":
main()
原图如下
使用10%的高斯噪声、椒盐噪声，以及中值滤波为3 结果图如下添加10%高斯噪声后的图片
添加椒盐后的图片
使用中值滤波3滤波后的高斯噪声图
使用中值滤波3滤波后的椒盐噪声图
改用中值滤波5 滤波滤波后的高斯噪声图
滤波后的椒盐噪声图
结论：
经过中值滤波5的滤波后噪声比中值滤波3滤波后的图像少，但是图像也更模糊一些。
页:
[1]