卷积网络使用椒盐噪声 python

卷积神经网络可以通过数据增强来提高鲁棒性，其中一种方法是通过添加噪声来模拟实际场景中的噪声。椒盐噪声是一种常见的噪声类型，通常由随机像素变为黑色或白色像素来模拟。

在Python中，可以使用以下代码将椒盐噪声添加到图像中：

import numpy as np
import cv2

def add_salt_pepper_noise(image, noise_ratio):
    h, w = image.shape[:2]
    noise_img = np.zeros((h, w), dtype=np.uint8)
    cv2.randu(noise_img, 0, 255)
    salt = np.where(noise_img > 255 * noise_ratio, 255, 0)
    pepper = np.where(noise_img < 255 * (1 - noise_ratio), 0, 255)
    noise_img = cv2.add(salt, pepper)
    noise_image = cv2.add(image, np.zeros(np.shape(image), dtype=np.uint8), mask=noise_img)
    return noise_image

其中，`image`是输入图像，`noise_ratio`是椒盐噪声的比例。该函数首先生成一个与输入图像相同大小的随机噪声图像，然后根据噪声比例将像素设为黑色或白色。最后，将噪声图像与输入图像相加，得到带有椒盐噪声的图像。

可以使用以下代码来测试该函数：

import matplotlib.pyplot as plt

# 加载图像
img = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE)

# 添加椒盐噪声
noise_img = add_salt_pepper_noise(img, 0.1)

# 显示图像
plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.imshow(noise_img, cmap='gray')
plt.title('Noise Image'), plt.xticks([]), plt.yticks([])
plt.show()

其中，`test.jpg`是输入图像的文件名，`0.1`表示噪声比例为10%。运行后，将显示原始图像和带有椒盐噪声的图像，如下所示：