利用OpenCV給彩色圖像添加椒鹽噪聲的方法

更新時間：2021年10月08日 11:11:38 作者：點云俠

椒鹽噪聲是數(shù)字圖像中的常見噪聲,一般是圖像傳感器、傳輸信道及解碼處理等產生的黑白相間的亮暗點噪聲,椒鹽噪聲常由圖像切割產生,這篇文章主要給大家介紹了關于利用OpenCV給彩色圖像添加椒鹽噪聲的相關資料,需要的朋友可以參考下

一、圖像噪聲

圖像噪聲是圖像在獲取或者傳輸過程中受到隨機信號干擾，妨礙人們對圖像理解及分析處理的信號。很多時候將圖像看作隨機過程，因而描述噪聲的方法完全可以借用隨機過程的描述，即使用其概率分布函數(shù)和概率密度分布函數(shù)。圖像噪聲的產生來自圖像獲取中的環(huán)境條件和傳感元器件自身的質量，圖像在傳輸過程中產生圖像噪聲的主要因素是所用的傳輸信道受到噪聲污染。

二、椒鹽噪聲

椒鹽噪聲是數(shù)字圖像中的常見噪聲，一般是圖像傳感器、傳輸信道及解碼處理等產生的黑白相間的亮暗點噪聲，椒鹽噪聲常由圖像切割產生。椒鹽噪聲是指兩種噪聲：鹽噪聲和椒噪聲。鹽噪聲一般是白色噪聲，椒噪聲一般為黑色噪聲。前者屬于高灰度噪聲，或者屬于低灰度噪聲，一般兩種噪聲同時出現(xiàn)，呈現(xiàn)黑白雜點。去除椒鹽噪聲常用的方法是中值濾波。

三、C++代碼

#include <opencv2\opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

//-----------------------------------椒鹽噪聲函數(shù)----------------------------------------------
void saltAndPepper(cv::Mat image, int n)
{
	for (int k = 0; k < n / 2; k++)
	{
		// 隨機確定圖像中添加椒鹽噪聲的位置
		int i, j;
		i = std::rand() % image.cols;       // 取余數(shù)運算，保證在圖像的列數(shù)內 
		j = std::rand() % image.rows;       // 取余數(shù)運算，保證在圖像的行數(shù)內 
		int write_black = std::rand() % 2;  // 判定為白色噪聲還是黑色噪聲的變量
		// 添加白色噪聲
		if (write_black == 0)               
		{
			image.at<cv::Vec3b>(j, i)[0] = 255; //cv::Vec3b為opencv定義的一個3個值的向量類型  
			image.at<cv::Vec3b>(j, i)[1] = 255; //[]指定通道，B:0，G:1，R:2  
			image.at<cv::Vec3b>(j, i)[2] = 255;

		}
		// 添加黑色噪聲
		else  
		{
			image.at<cv::Vec3b>(j, i)[0] = 0; //cv::Vec3b為opencv定義的一個3個值的向量類型  
			image.at<cv::Vec3b>(j, i)[1] = 0; //[]指定通道，B:0，G:1，R:2  
			image.at<cv::Vec3b>(j, i)[2] = 0;
		}
	}

}


int main()
{
	Mat lena = imread("qq.jpg");

	if (lena.empty())
	{
		cout << "請確認圖像文件名稱是否正確" << endl;
		return -1;
	}
	imshow("原圖", lena);
	saltAndPepper(lena, 10000);       // 彩色圖像添加椒鹽噪聲
	imshow("添加噪聲", lena);

	waitKey(0);

	return 0;
}

四、結果展示

1、原圖

2、添加椒鹽噪聲

五、python代碼

import numpy as np
import cv2


def salt_pepper_noise(image, prob):
    """
    添加椒鹽噪聲
    :param image: 輸入圖像
    :param prob: 噪聲比
    :return: 帶有椒鹽噪聲的圖像
    """
    salt = np.zeros(image.shape, np.uint8)
    thres = 1 - prob
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdn = np.random.rand()
            if rdn < prob:
                salt[i][j] = 0
            elif rdn > thres:
                salt[i][j] = 255
            else:
                salt[i][j] = image[i][j]
    return salt


src = cv2.imread('qq.jpg')
cv2.namedWindow('input_image', cv2.WINDOW_AUTOSIZE)
cv2.imshow('input_image', src)
tar = salt_pepper_noise(src, 0.01)
cv2.imshow('noise', tar)
cv2.waitKey(0)
cv2.destroyAllWindows()