图像的加噪与去噪（python）

杨利霞

* L4 a" p9 j8 _1 n6 t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。

8 J+ t* f1 J3 r" w# C) _#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
) t2 q) J$ S3 g' cimport 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。

) h" X; O! C( u9 v! S: h
9 y0 @+ V8 L" X, O- ?def boxBlur(img):
    # 使用5x5的滤波核进行平滑
    blur = cv.boxFilter(img,-1,(5, 5))   
    return blur
: S: y! O' e1 K3 e
- A! N0 }; M" Y6 C
def gaussianBlur(img):
    #     使用高斯核进行平滑
    blur = cv.GaussianBlur(img,(5, 5),1.5)
, i( g1 j9 P6 m! G' _; _& W; ?    return blur
( D: h9 b* q  ]- P7 f# _
( z9 M+ c$ m0 r* ~4 l+ ]1 V
" ~/ @/ l" v$ H4 W5 Gdef main():
    # 2. 定义图片类img
1 J$ K5 I5 d. v# j    path = r"C:\Users\98238\Desktop\Lenna.jpg"
6 e8 c' f" [( B$ P) V$ m" @7 |) [    img = cv.imread(path)
    start_t = cv.getTickCount()
    # 5. 加噪声，绘图
; p7 U# x' V  C! N- |* l    ##############################################3
+ ]8 K% l( P/ S. S. B    # add gaussian noise
3 K3 |' @) X; {( B" A, h
4 [$ I0 m; v) G: [    gauss_noiseImg = skimage.util.random_noise(img, mode='gaussian')# 添加10%的高斯噪声
    gauss_noiseImg=gauss_noiseImg
$ P+ h# x" Z+ ^8 p6 X, T1 @    salt_noiseImg = skimage.util.random_noise(img, mode='salt')  # 添加椒盐噪声
9 U4 @2 N/ W+ c$ P
$ t+ ]* j1 o7 y: p% u, G    lb_gauss=cv.medianBlur(gauss_noiseImg.astype('float32'), 1)#中值滤波
: @' Z/ a/ K6 {) a+ t* p
    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
* e# Y2 W6 d1 l4 w* Z6 B
    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


; |+ s  Y! g# |" D    cv.namedWindow("Original Image", cv.WINDOW_NORMAL)#输出原图片的标题
9 T- w) H8 T, ?% K2 l. s% _, s    cv.imshow('Original Image', img)#输出原图片
% p+ h. I! @4 Z3 u. k9 e
    # Gaussian noisy image
    cv.namedWindow("Added Gaussian Noise Image", cv.WINDOW_NORMAL)#输出高斯噪声图片的标题
8 N! ^; c  ?2 `+ n# A    cv.imshow('Added Gaussian Noise Image', gauss_noiseImg)#输出高斯噪声图片

( C/ I. ^8 P* }( C( U* y    # Salt noisy image
    cv.namedWindow("Added Salt Noise Image", cv.WINDOW_NORMAL)#输出椒盐噪声图片的标题
8 O) K5 s4 T, n9 M5 ^1 i1 T    cv.imshow('Added Salt Noise Image', salt_noiseImg)#输出椒盐噪声图片

5 {. I" J- Y7 M    #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
6 Q0 v0 I8 z* G( P; ~9 J5 A, a) R    cv.imshow('lbsalt Image', lb_salt)#输出滤波后椒盐噪声图片

    #####################################################
% M' S2 y' Y6 S5 M) ?: P
    stop_t = ((cv.getTickCount() - start_t) / cv.getTickFrequency()) * 1000#运行时间

6 w/ S  i6 Z4 I6 z2 t    print(stop_t, "ms")#输出时间并加上单位

    cv.waitKey(0)
$ n4 B& M+ w* g    cv.destroyAllWindows()


if __name__ == "__main__":
) x6 w+ e; a' `* ?    main()

; T7 N& }1 Q, A# F7 g, Z, t, i原图如下
: m' D, Q: Y+ `! V2 Y* h2 m
8 P. {7 a2 ]* K

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
8 \; p* q7 H- Q- Z0 Q
6 C2 U3 ?1 E8 p. V# z/ {$ c: l
( f# i0 f: G3 R4 i" p5 L7 G  U
/ v& X: L) }  Q0 L: v! ]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
+ I4 ^  h& _9 L. _
3 z/ d9 {+ o# q) P* y( w
改用中值滤波5 滤波滤波后的高斯噪声图


( W# t% ~' h/ |! V3 J, n$ C7 D( z- J
2 S9 ]/ T! `, [+ D, e; ?* U' j7 x滤波后的椒盐噪声图



# q; H; x- B7 E8 q1 {0 }4 g结论：
" E0 V* T8 q6 ^  X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。
4 w& x5 N  j# k4 o8 m1 G8 v