- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 563327 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174221
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 3
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
|---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
4 {% y/ @' ~. v2 [% e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。
. I( A$ p3 P) M5 F- C3 k& @* j- U" V% |1 C$ Y; V4 _
#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
n. `6 @, ] X Q- }4 P- Zimport cv2 as cv #导入openCV库
1 S* n& d/ Q* h6 |* Dimport 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。
2 \+ A0 z2 S+ s& X #必须首先安装numpy,scipy,matplotlib6 {) h. b5 d9 a
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。
/ y! j& t( ]0 G" \8 c1 p3 t! r3 A$ b0 }# V+ s R; z
" K2 ~% y, ^- u. @& tdef boxBlur(img):- V: @; E8 O6 |! j' V
# 使用5x5的滤波核进行平滑2 E2 c3 a5 b$ a9 g' Q/ j* ~
blur = cv.boxFilter(img,-1,(5, 5)) $ w9 X" k2 T3 E9 k8 R9 \1 k) r
return blur
5 N2 Q$ |$ t0 [
- V3 C' C( O2 Q9 \& U( T7 ~% x4 V8 K/ V8 I! f( A/ H, I& E$ `
def gaussianBlur(img):/ f3 m$ `+ ~' W. f9 y
# 使用高斯核进行平滑
- G M5 r) W* m( H6 F) T* N' r blur = cv.GaussianBlur(img,(5, 5),1.5)
( G7 n A3 }9 R# f4 P! x return blur
6 C4 o) J3 E$ h6 U3 w; |5 ^& i5 C0 @& S8 n6 P5 N; X* `
* g, ~. m- R+ {5 T1 T
def main():- }' X! I5 V+ v; u. P1 B& {& g
# 2. 定义图片类img
" _% E" J( _6 F1 _ g0 S path = r"C:\Users\98238\Desktop\Lenna.jpg"
: m% S; c0 H4 }- W! z; q8 X& K! l8 {/ p img = cv.imread(path)+ q* r% k. r. W! c: F) t
start_t = cv.getTickCount()4 i0 C2 f8 ^: z9 W* F0 {- H
# 5. 加噪声,绘图
! _- N0 ]3 D7 t$ w. ]" K+ K ##############################################31 V) T+ a4 d B/ u. v: L. F
# add gaussian noise( g' p& `* \( w) l( R1 ^% |& G
+ E1 d/ X( F, R, T+ r7 w$ X
gauss_noiseImg = skimage.util.random_noise(img, mode='gaussian')# 添加10%的高斯噪声
8 O7 O% y: T Y' A3 y& e gauss_noiseImg=gauss_noiseImg+ ?6 C2 Y5 {5 z8 Q
salt_noiseImg = skimage.util.random_noise(img, mode='salt') # 添加椒盐噪声, u* g' \. j5 e. B7 R
! X% o" _ u+ b! X8 a1 z2 U lb_gauss=cv.medianBlur(gauss_noiseImg.astype('float32'), 1)#中值滤波
- P: E0 [5 I2 }$ _- [1 E7 Q1 L# i% s6 J
lb_salt=cv.medianBlur(salt_noiseImg.astype('float32'), 1)#中值滤波# q; [. V" |2 `( d5 X p
print(gauss_noiseImg.dtype, "gaussian noisy image dtype")#输出一个注释
2 Q0 t( {' f+ u! y w: a print(gauss_noiseImg.shape, "gaussian noisy image shape")#输出一个注释
; r! X6 P1 O. ?- R7 I# A: W# }8 q
print(salt_noiseImg.dtype, "salt noisy image dtype")#输出一个注释
- A$ }" c/ b6 d3 V print(salt_noiseImg.shape, "salt noisy image shape")#输出一个注释
/ n6 O- L. V! L/ u, P% L
8 _5 D! A' O. p, m
( C+ R9 B% }$ N3 l/ Q( [# x cv.namedWindow("Original Image", cv.WINDOW_NORMAL)#输出原图片的标题
& n- {% F: {! H cv.imshow('Original Image', img)#输出原图片
$ \& B0 l9 z" t8 z) H- n% E
/ o7 t; `/ y* G: i1 q9 J # Gaussian noisy image
( |) E+ ?9 v7 P) _: t5 ?) ^+ | cv.namedWindow("Added Gaussian Noise Image", cv.WINDOW_NORMAL)#输出高斯噪声图片的标题 G6 F* h9 o, O3 B# }
cv.imshow('Added Gaussian Noise Image', gauss_noiseImg)#输出高斯噪声图片( o6 |! ]( R2 e: n, h) \" m
, A$ w) j6 h& R3 v l
# Salt noisy image7 |1 V+ k& n+ v. j5 \
cv.namedWindow("Added Salt Noise Image", cv.WINDOW_NORMAL)#输出椒盐噪声图片的标题
7 h# }+ K5 @# a cv.imshow('Added Salt Noise Image', salt_noiseImg)#输出椒盐噪声图片6 y5 p7 p; g- R) A8 z; l" d+ J. D
2 i) M; ~% p$ a+ ]
#滤波后的图像
5 k8 i" r# C9 H; V8 v& w cv.namedWindow("lbguass Image", cv.WINDOW_NORMAL)#输出滤波后高斯噪声图片标题
0 v3 J7 I+ P1 f" | cv.imshow('lbguass Image', lb_gauss)#输出滤波后高斯噪声图片
3 m2 Q9 r" w! J& j7 V7 C cv.namedWindow("lbsalt Image", cv.WINDOW_NORMAL)#输出滤波后椒盐噪声图片标题
, k- F; o8 k% A! B cv.imshow('lbsalt Image', lb_salt)#输出滤波后椒盐噪声图片
0 e p4 u( q) V" ~3 O/ D
- K) m9 d1 k: I2 {+ m) Q- t8 ~ #####################################################. A. y7 e, D' F& _9 Y
+ c) r+ r1 ^& F* @7 m stop_t = ((cv.getTickCount() - start_t) / cv.getTickFrequency()) * 1000#运行时间( ^$ |# p( v3 I1 w0 s* ~
* B- z0 ~& P) G) u7 ^ print(stop_t, "ms")#输出时间并加上单位
3 S: `0 D; q! z! t# Q @
$ y+ o; ], _3 q i' y$ W- ?0 ~ cv.waitKey(0)
- u6 |, T3 p* V( } cv.destroyAllWindows()/ k1 V$ e" I8 C) D
9 u1 D/ N" M. q; }# ^8 k$ P6 W/ c
if __name__ == "__main__":7 `! A* F5 D1 s7 D0 J
main()& _& P: E4 Q$ V3 E; A( ^
* W3 _* d; J# v! [# S( d: c9 m原图如下- T& @- Q3 l& W4 Z8 W5 @
) s; u# `7 U1 [5 ]; o; `
\# y2 q3 I+ \9 L: a$ z3 ^8 d+ `# }& j
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
5 p+ E4 z. H& Z, Q( d
6 J, `( o) ]( ~# w- ]添加椒盐后的图片
8 y' N* E: J2 Y% T) w% u
6 r& I& |( ?- s4 \+ D. Q4 x$ r( j
& e% j9 [! \' L2 I) t! p4 f( b* q9 V: l5 {, s( j$ d( `$ P
使用中值滤波3滤波后的高斯噪声图) h) F# _/ c3 A( V. v7 g4 L0 G
; e- f( d/ w" y6 |6 R B8 p5 `
- T3 I6 R% F" n& r1 y7 }
使用中值滤波3滤波后的椒盐噪声图1 F; n4 W) i: v9 r$ L; m
f8 \3 f/ i& f5 s$ f7 x' z: s
6 y5 ]) U/ \3 [4 F5 m o1 F: u. l改用中值滤波5 滤波滤波后的高斯噪声图% `4 S% S3 w) t1 {1 ^; h
+ \! F: Z9 C, Q$ u g* R2 A" M5 [/ g
/ s Q/ c) m$ B, h; Z
9 T6 }8 p+ J( w i- _+ J
滤波后的椒盐噪声图: |1 A- p" _8 n0 O7 I
2 g# f; E3 j! R' w( ^. v6 X
$ f5 R: | [6 n! F. N( u, y8 m
; O; D) M. O( ]! v" Y结论:3 f9 e; c2 l1 H6 O6 Q2 [6 ?9 o
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。' Y5 Q. E, g9 W8 C' N
0 P( c3 `) F( [ |
zan
|