前言

记录一下手写椒盐噪声和高斯噪声的python程序。
效果图如下：
在这里插入图片描述

一、高斯噪声和椒盐噪声是什么？

椒盐噪声和高斯噪声都是数字图像处理中常见的噪声类型。
1.椒盐噪声是随机的黑色和白色像素点混杂在图像中，使得图像中的一些像素点变得十分明显且不规则。椒盐噪声可能由于传感器损坏、传输错误、压缩算法等原因而产生。
2.高斯噪声则是由于图像传感器发生随机噪声而导致的，具有随机性且遵循高斯分布。它会使得图像的亮度和颜色发生微弱的随机变化，以及出现模糊和失真的情况。这两种噪声都会影响图像的质量和准确性，需要在数字图像处理中进行去噪处理。

二、编写程序

1.分析两者的特点

1.椒盐噪声是图像中出现明，暗的噪声，也就是1，0的像素值（在0-1的范围内）
那么思路就是：在一个与原图像大小一致的空矩阵里，填充一部分0，1并将这些覆盖在原图像上。
代码如下（示例）：

def salt_and_pepper_noise(image, prob):"""噪声函数:param image: 原图像，是灰度图:param prob: 控制椒盐噪声的数量，这里是0-1的一个概率值:return: 处理后的图像"""h , w = image.shape[:2]noise = np.zeros((h, w), dtype=np.uint8)#将noise随机填充0-255的值cv2.randu(noise, 0, 255)#将image传给image_copyimage_copy = image.copy()#prob*255就是我们选的那个阈值image_copy[np.where(noise < prob*255)] = 0image_copy[np.where(noise > (1-prob)*255)] = 255return image_copy

2.高斯噪声的最明显的特点就是服从高斯分布，这部分原理不再赘述。

def gaussian_noise(image, mean=0, var=0.1):"""给输入的图像添加高斯噪声:param image: 输入图像，0-255的灰度图:param mean: 高斯噪声的均值，默认为0:param var: 高斯噪声的标准差，默认为0.1:return: 添加高斯噪声后的图像"""#先把图像转化为0-1，并将类型转化为float32，这样有利于保存数据，image = np.asarray(image / 255, dtype=np.float32)#为了后面加方便，noise也要转化为float32noise = np.random.normal(mean, var,image.shape).astype(np.float32)noisy_image = image + noise#将noise_image限制在0-255，因为+运算可能有部分会超过255，再转化为整型noisy_image = np.clip(noisy_image*255, 0, 255).astype(np.uint8)return noisy_image

2.调用两个函数，实现添加噪声

import numpy as np
import cv2
#椒盐噪声
def salt_and_pepper_noise(image, prob):"""噪声函数:param image: 原图像，是灰度图:param prob: 控制椒盐噪声的数量，这里是0-1的一个概率值:return: 处理后的图像"""h , w = image.shape[:2]noise = np.zeros((h, w), dtype=np.uint8)#将noise随机填充0-255的值cv2.randu(noise, 0, 255)#将image传给image_copyimage_copy = image.copy()image_copy[np.where(noise < prob*255)] = 0image_copy[np.where(noise > (1-prob)*255)] = 255return image_copy
#高斯噪声
def gaussian_noise(image, mean=0, var=0.1):"""给输入的图像添加高斯噪声:param image: 输入图像:param mean: 高斯噪声的均值，默认为0:param var: 高斯噪声的标准差，默认为0.1:return: 添加高斯噪声后的图像"""image = np.asarray(image / 255, dtype=np.float32)noise = np.random.normal(mean, var,image.shape).astype(np.float32)noisy_image = image + noisenoisy_image = np.clip(noisy_image*255, 0, 255).astype(np.uint8)return noisy_image