c++ opencv保存加了高斯噪声的图片

使用OpenCV保存经过高斯噪声处理的图片非常简单。首先，我们需要加载原始图片并进行高斯噪声处理，这可以通过使用OpenCV的函数来完成。接下来，我们可以将处理后的图片保存到指定的路径。

以下是一种实现方法：

import cv2
import numpy as np

# 加载原始图片
image = cv2.imread('原始图片路径.jpg')

# 添加高斯噪声处理
mean = 0  # 噪声均值
sigma = 10  # 噪声标准差
noise = np.random.normal(mean, sigma, image.shape).astype(np.uint8)
noisy_image = cv2.add(image, noise)

# 保存处理后的图片
cv2.imwrite('保存路径.jpg', noisy_image)

在上述代码中，我们首先使用`cv2.imread`函数加载原始图片。然后，我们通过调整`mean`和`sigma`的值来控制生成的高斯噪声的强度。接下来，我们使用`np.random.normal`函数生成均值为`mean`，标准差为`sigma`的高斯噪声，并使用`cv2.add`函数将噪声添加到原始图片上，得到处理后的图片。最后，使用`cv2.imwrite`函数将处理后的图片保存到指定路径。

请注意，在代码中需要替换"原始图片路径.jpg"和"保存路径.jpg"为实际的图片路径。另外，根据实际需要，可以调整`mean`和`sigma`的值来控制高斯噪声的强度。

相关问题

opencv c++给视频添加高斯噪声与椒盐噪声

添加高斯噪声可以使用cv::randn()函数来生成高斯分布的随机数，并将其加到图像像素上。具体实现代码如下：

cv::Mat addGaussianNoise(cv::Mat image, double mean, double stddev)
{
    cv::Mat noise = cv::Mat(image.size(), CV_8UC1);
    cv::randn(noise, mean, stddev);
    cv::Mat result = image.clone();
    result += noise;
    return result;
}

其中，mean和stddev分别表示高斯分布的均值和标准差，可以根据需要进行调整。

添加椒盐噪声可以使用cv::randu()函数来生成随机数，并根据生成的随机数将像素值设为黑色或白色。具体实现代码如下：

cv::Mat addSaltAndPepperNoise(cv::Mat image, double noiseRatio)
{
    cv::Mat noise = cv::Mat(image.size(), CV_8UC1);
    cv::randu(noise, 0, 255);
    cv::Mat result = image.clone();
    for (int i = 0; i < image.rows; i++)
    {
        for (int j = 0; j < image.cols; j++)
        {
            double r = (double)cv::rand() / (RAND_MAX + 1.0);
            if (r < noiseRatio / 2)
            {
                result.at<uchar>(i, j) = 0;
            }
            else if (r < noiseRatio)
            {
                result.at<uchar>(i, j) = 255;
            }
        }
    }
    return result;
}

其中，noiseRatio表示噪声比例，即椒盐噪声占图像像素的比例，可以根据需要进行调整。

opencv c++给视频添加椒盐噪声和高斯噪声

添加椒盐噪声可以使用 `cv::randu` 函数生成随机数，再根据一定的概率将像素点设置为黑色或白色，从而模拟椒盐噪声。

代码示例：

cv::Mat addSaltPepperNoise(const cv::Mat& image, float noise_ratio) {
    cv::Mat result = image.clone();
    cv::randu(result, 0, 255);

    int noise_pixels = noise_ratio * image.cols * image.rows;

    for (int i = 0; i < noise_pixels; i++) {
        int x = std::rand() % image.cols;
        int y = std::rand() % image.rows;

        if (std::rand() % 2 == 0) {
            result.at<uchar>(y, x) = 0;
        } else {
            result.at<uchar>(y, x) = 255;
        }
    }

    return result;
}

其中，`image` 是输入的图像，`noise_ratio` 是添加噪声的比例，取值范围为 [0, 1]。

添加高斯噪声可以使用 `cv::randn` 函数生成随机数，再将随机数加到像素点上，从而模拟高斯噪声。

代码示例：

cv::Mat addGaussianNoise(const cv::Mat& image, float mean, float stddev) {
    cv::Mat result = image.clone();
    cv::randn(result, mean, stddev);

    result = result.reshape(1, image.rows);

    cv::Mat noise_image = image + result;

    cv::normalize(noise_image, noise_image, 0, 255, cv::NORM_MINMAX, CV_8UC1);

    return noise_image;
}

其中，`image` 是输入的图像，`mean` 和 `stddev` 分别是高斯分布的均值和标准差。