內容簡介
展示如何給圖像疊加不同等級的椒鹽噪聲和高斯噪聲的代碼，相應的疊加噪聲的已編為對應的類，可實例化使用。以下主要展示自己編寫的：
加噪聲的代碼（高斯噪聲，椒鹽噪聲)
add_noise.py
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
|
#代碼中的noisef為信號等級，例如我需要0.7的噪聲，傳入參數我傳入的是1-0.7from PIL import Imageimport numpy as npimport randomimport torchvision.transforms as transformsnorm_mean = (0.5, 0.5, 0.5)norm_std = (0.5, 0.5, 0.5)class AddPepperNoise(object): """增加椒鹽噪聲 Args: snr （float）: Signal Noise Rate p (float): 概率值，依概率執行該操作 """ def __init__(self, snr, p=0.9): assert isinstance(snr, float) and (isinstance(p, float)) # 2020 07 26 or --> and self.snr = snr self.p = p def __call__(self, img): """ Args: img (PIL Image): PIL Image Returns: PIL Image: PIL image. """ if random.uniform(0, 1) < self.p: img_ = np.array(img).copy() h, w, c = img_.shape signal_pct = self.snr noise_pct = (1 - self.snr) mask = np.random.choice((0, 1, 2), size=(h, w, 1), p=[signal_pct, noise_pct/2., noise_pct/2.]) mask = np.repeat(mask, c, axis=2) img_[mask == 1] = 255 # 鹽噪聲 img_[mask == 2] = 0 # 椒噪聲 return Image.fromarray(img_.astype('uint8')).convert('RGB') else: return imgclass Gaussian_noise(object): """增加高斯噪聲 此函數用將產生的高斯噪聲加到圖片上 傳入: img : 原圖 mean : 均值 sigma : 標準差 返回: gaussian_out : 噪聲處理后的圖片 """ def __init__(self, mean, sigma): self.mean = mean self.sigma = sigma def __call__(self, img): """ Args: img (PIL Image): PIL Image Returns: PIL Image: PIL image. """ # 將圖片灰度標準化 img_ = np.array(img).copy() img_ = img_ / 255.0 # 產生高斯 noise noise = np.random.normal(self.mean, self.sigma, img_.shape) # 將噪聲和圖片疊加 gaussian_out = img_ + noise # 將超過 1 的置 1，低于 0 的置 0 gaussian_out = np.clip(gaussian_out, 0, 1) # 將圖片灰度范圍的恢復為 0-255 gaussian_out = np.uint8(gaussian_out*255) # 將噪聲范圍搞為 0-255 # noise = np.uint8(noise*255) return Image.fromarray(gaussian_out).convert('RGB')def image_transform(noisef): """對訓練集和測試集的圖片作預處理轉換 train_transform：加噪圖 _train_transform：原圖（不加噪） test_transform：測試圖（不加噪） """ train_transform = transforms.Compose([ transforms.Resize((256, 256)), # 重設大小 #transforms.RandomCrop(32,padding=4), AddPepperNoise(noisef, p=0.9), #加椒鹽噪聲 #Gaussian_noise(0, noisef), # 加高斯噪聲 transforms.ToTensor(), # 轉換為張量 # transforms.Normalize(norm_mean,norm_std), ]) _train_transform = transforms.Compose([ transforms.Resize((256, 256)), #transforms.RandomCrop(32,padding=4), transforms.ToTensor(), # transforms.Normalize(norm_mean,norm_std), ]) test_transform = transforms.Compose([ transforms.Resize((256, 256)), #transforms.RandomCrop(32,padding=4), transforms.ToTensor(), # transforms.Normalize(norm_mean,norm_std), ]) return train_transform, _train_transform, test_transform |
在pytorch中如何使用
|
1
2
3
4
5
6
|
# 圖像變換和加噪聲train_transform為加噪圖，_train_transform為原圖，test_transform為測試圖 noisef為傳入的噪聲等級train_transform,_train_transform,test_transform = image_transform(noisef)training_data=FabricDataset_file(data_dir=train_dir,transform=train_transform)_training_data=FabricDataset_file(data_dir=_train_dir,transform=_train_transform)testing_data=FabricDataset_file(data_dir=test_dir,transform=test_transform)<font face="Arial, Verdana, sans-serif"><span style="white-space: normal;"> </span></font> |
補充
圖像添加隨機噪聲
隨機噪聲就是通過隨機函數在圖像上隨機地添加噪聲點
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
def random_noise(image,noise_num): ''' 添加隨機噪點（實際上就是隨機在圖像上將像素點的灰度值變為255即白色） :param image: 需要加噪的圖片 :param noise_num: 添加的噪音點數目，一般是上千級別的 :return: img_noise ''' # # 參數image：，noise_num： img = cv2.imread(image) img_noise = img # cv2.imshow("src", img) rows, cols, chn = img_noise.shape # 加噪聲 for i in range(noise_num): x = np.random.randint(0, rows)#隨機生成指定范圍的整數 y = np.random.randint(0, cols) img_noise[x, y, :] = 255 return img_noise |
|
1
2
3
|
img_noise = random_noise("colorful_lena.jpg",3000)cv2.imshow('random_noise',img_noise)cv2.waitKey(0) |
以上就是Python實現對圖像添加高斯噪聲或椒鹽噪聲的詳細內容，更多關于Python的資料請關注服務器之家其它相關文章！
原文鏈接：https://blog.csdn.net/qq_41858510/article/details/121485126
