读入彩色 image_Lena512rgb 图像, 加入高斯噪声,

好的，我理解了您的要求。以下是对您的问题的回答：

您可以使用以下Python代码读入彩色图像并添加高斯噪声：

import cv2
import numpy as np

# 读入图像
img = cv2.imread('image_Lena512rgb.png')

# 添加高斯噪声
mean = 0
var = 0.1
sigma = var**0.5
gaussian = np.random.normal(mean, sigma, img.shape)
gaussian = gaussian.reshape(img.shape)
noisy_img = img + gaussian

# 显示原始图像和添加噪声后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Noisy Image', noisy_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，我们首先使用OpenCV读入了彩色图像。然后，我们定义了高斯噪声的均值和方差，并计算了噪声值。最后，我们将噪声添加到原始图像中，生成了添加噪声后的图像。您可以根据需要调整均值、方差和噪声强度（即sigma值）。

请注意，这里的噪声是加在每个像素的RGB值上的，因此生成的噪声图像可能看起来比较奇怪。如果您想添加单一的灰度噪声而不是彩色噪声，可以先将图像转换为灰度图像，然后再添加噪声。

相关问题

读入彩色 image_Lena512rgb 图像, 加入高斯噪声, 利用 BM3D 算法对于噪声图像 lenargb_n 分别在三个通道 R、G、B 分别滤波, 以完成去噪; 然后, 分别在 YCbCr 和 L*a*b* 空间利用 BM3D 算法只对于亮度通道进行滤波, 然后变换到原来的 RGB 空间; 分别计算上述三种情况下去噪结果的峰值信噪比 PSNR; 分别在一个窗口中显示两种情况下的处理结果, 并给出MATLAB代码

以下是MATLAB代码实现：

% 读入彩色图像
img = imread('image_Lena512rgb.png');

% 加入高斯噪声
sigma = 25;
noisy_img = imnoise(img, 'gaussian', 0, (sigma/255)^2);

% BM3D 算法去噪
% 对于三个通道 R、G、B 分别滤波
denoised_img_rgb = zeros(size(noisy_img));
for i = 1:3
    [denoised_channel, ~] = bm3d(noisy_img(:,:,i), 'sigma', sigma/255);
    denoised_img_rgb(:,:,i) = denoised_channel;
end

% 在 YCbCr 和 L*a*b* 空间利用 BM3D 算法只对于亮度通道进行滤波
% 然后变换到原来的 RGB 空间
ycbcr_img = rgb2ycbcr(noisy_img);
denoised_img_ycbcr = ycbcr_img;
[denoised_y, ~] = bm3d(ycbcr_img(:,:,1), 'sigma', sigma/255);
denoised_img_ycbcr(:,:,1) = denoised_y;
denoised_img_ycbcr = ycbcr2rgb(denoised_img_ycbcr);

lab_img = rgb2lab(noisy_img);
denoised_img_lab = lab_img;
[denoised_l, ~] = bm3d(lab_img(:,:,1), 'sigma', sigma/255);
denoised_img_lab(:,:,1) = denoised_l;
denoised_img_lab = lab2rgb(denoised_img_lab);

% 计算 PSNR
psnr_rgb = psnr(denoised_img_rgb, img);
psnr_ycbcr = psnr(denoised_img_ycbcr, img);
psnr_lab = psnr(denoised_img_lab, img);

% 显示结果
figure;
subplot(2,2,1);
imshow(img);
title('Original Image');
subplot(2,2,2);
imshow(noisy_img);
title('Noisy Image');
subplot(2,2,3);
imshow(denoised_img_rgb);
title(['Denoised Image (RGB) - PSNR: ', num2str(psnr_rgb)]);
subplot(2,2,4);
imshow(denoised_img_ycbcr);
title(['Denoised Image (YCbCr) - PSNR: ', num2str(psnr_ycbcr)]);
figure;
subplot(2,2,1);
imshow(img);
title('Original Image');
subplot(2,2,2);
imshow(noisy_img);
title('Noisy Image');
subplot(2,2,3);
imshow(denoised_img_rgb);
title(['Denoised Image (RGB) - PSNR: ', num2str(psnr_rgb)]);
subplot(2,2,4);
imshow(denoised_img_lab);
title(['Denoised Image (L*a*b*) - PSNR: ', num2str(psnr_lab)]);

需要注意的是，BM3D 算法需要先将图像归一化到 [0, 1] 范围内，而 `imread` 函数读入的图像像素值范围是 [0, 255]，因此需要先将其归一化，再在最后将图像还原到 [0, 255] 范围内。

读入 lena 图像, 进行高斯模糊和高斯噪声退化; 分别利用函数 deconvwnr, deconvreg 和 deconvblind 恢复退化图像 lena_b_n, 并计算各自的峰值信噪比 PSNR; 分别在一个窗口中显示原始图像, 退化图像和恢复结果, 并进行比较.

以下是一个完整的MATLAB代码示例，用于对lena图像进行高斯模糊和高斯噪声退化，并采用三种反卷积算法进行图像恢复：

% 读入 Lena 图像
I = imread('lena.png');
% 转换为灰度图像
I_gray = rgb2gray(I);
% 显示原始图像
subplot(2, 3, 1), imshow(I_gray), title('Original Image');

% 添加高斯模糊
h = fspecial('gaussian', [5 5], 2); % 生成高斯滤波器
I_blur = imfilter(I_gray, h, 'symmetric'); % 进行卷积操作
% 显示退化图像
subplot(2, 3, 2), imshow(I_blur), title('Degraded Image');

% 添加高斯噪声
mean = 0;      % 均值
variance = 0.01; % 方差
I_noise = imnoise(I_blur, 'gaussian', mean, variance);
% 显示退化图像
subplot(2, 3, 3), imshow(I_noise), title('Degraded Image with Gaussian Noise');

% 利用 deconvwnr 进行图像恢复
NSR = variance / var(I_gray(:)); % 计算噪声信噪比
J_wiener = deconvwnr(I_noise, h, NSR); % 进行维纳滤波
% 计算峰值信噪比 PSNR
PSNR_wiener = psnr(J_wiener, I_gray, 255);
% 显示恢复图像
subplot(2, 3, 4), imshow(J_wiener), title(['Wiener Deconvolution, PSNR = ' num2str(PSNR_wiener)]);

% 利用 deconvreg 进行图像恢复
lambda = 0.1; % 正则化参数
J_reg = deconvreg(I_noise, h, lambda); % 进行正则化滤波
% 计算峰值信噪比 PSNR
PSNR_reg = psnr(J_reg, I_gray, 255);
% 显示恢复图像
subplot(2, 3, 5), imshow(J_reg), title(['Regularized Deconvolution, PSNR = ' num2str(PSNR_reg)]);

% 利用 deconvblind 进行图像恢复
INITPSF = fspecial('gaussian', [5 5], 2); % 初始点扩散函数
[J_blind, PSF_blind] = deconvblind(I_noise, INITPSF); % 进行盲反卷积
% 计算峰值信噪比 PSNR
PSNR_blind = psnr(J_blind, I_gray, 255);
% 显示恢复图像
subplot(2, 3, 6), imshow(J_blind), title(['Blind Deconvolution, PSNR = ' num2str(PSNR_blind)]);

% 调整图像显示比例
imhist(I_gray);
imhist(I_noise);
imhist(J_wiener);
imhist(J_reg);
imhist(J_blind);

在运行以上代码后，会在一个窗口中显示原始图像、退化图像和三种反卷积算法的恢复结果，并计算每种算法的峰值信噪比PSNR。可以通过观察图像比较和PSNR的数值比较来评估三种算法的恢复效果。