一、噪声
二、噪声的分类
三、图像中添加椒盐噪声
四、基于滤波器方法去噪
五、opencv高斯滤波调包
总结
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：
aussian = cv2.GaussianBlur(im, (5,5), 1)
cv_show("aussian",aussian)
结果如图所示：
到此这篇关于Opencv图像添加椒盐噪声、高斯滤波去除噪声原理以及手写Python代码实现方法的文章就介绍到这了,更多相关Opencv添加椒盐噪声高斯滤波去除噪声内容请搜索易知道(ezd.cc)以前的文章或继续浏览下面的相关文章希望大家以后多多支持易知道(ezd.cc)！
