对灰度图像添加不同数值的高斯白噪声并保存

可以使用Python中的NumPy和OpenCV库来实现对灰度图像添加高斯白噪声并保存。以下是一个简单的例子：

import cv2
import numpy as np

# 读取灰度图像
img = cv2.imread('gray_image.jpg', cv2.IMREAD_GRAYSCALE)

# 添加高斯白噪声
mean = 0
var = 100
sigma = var ** 0.5
noise = np.random.normal(mean, sigma, img.shape)
noisy_img = img + noise

# 保存带有噪声的图像
cv2.imwrite('noisy_image.jpg', noisy_img)

在上面的代码中，我们首先使用OpenCV库的`imread()`函数读取灰度图像。然后，使用NumPy库中的`random.normal()`函数生成一个具有给定均值和方差的高斯分布。最后，将噪声添加到原始图像中并使用OpenCV库的`imwrite()`函数保存带有噪声的图像。

需要注意的是，添加的噪声数值应该根据具体情况进行调整，以达到最佳效果。

相关问题

编写程序，在给定图像上分别添加高斯噪声、椒盐噪声、以及高斯-椒盐混合噪声 ，并将含噪图像保存（噪声的参数自行）。列出处理前后图像，并给出添加噪声后图像不同效果的分析说明。（主要代码请加注释）

在Python中，我们可以使用PIL（Python Imaging Library）库来处理图像，同时结合numpy进行数值计算。这里是一个简单的示例，我们将使用OpenCV（cv2）库，它在图像处理方面非常强大。

首先，确保已安装`opencv-python`和`Pillow`库。如果没有，可以使用pip安装：

pip install opencv-python pillow

接下来，我们编写一段代码，实现对图像添加三种类型的噪声：

import cv2
import numpy as np
from PIL import Image

# 加载图像
img = cv2.imread('original_image.jpg', cv2.IMREAD_GRAYSCALE)  # 灰度图便于操作
assert img is not None, "Image loading failed!"

# 高斯噪声
def add_gaussian_noise(img, sigma=0.5):
    noise = np.random.normal(0, sigma, img.shape)
    noisy_img = img + noise
    return np.clip(noisy_img, 0, 255).astype(np.uint8)

# 椒盐噪声
def add_salt_pepper_noise(img, p=0.05):
    row, col = img.shape
    s_vs_p = 0.5  # 权重比例，s指salt，p指pepper
    amount = p * s_vs_p * row * col  # 生成椒盐点的数量
    amount_sp = int(amount * 2)  # 因为有些会被两次选择

    salt_mask = np.zeros(img.shape, np.bool)
    pepper_mask = np.zeros(img.shape, np.bool)

    while amount_sp:
        i = np.random.randint(row)
        j = np.random.randint(col)
        salt_mask[i, j] = True
        pepper_mask[i, j] = True
        amount_sp -= 1

    noisy_img = img.copy()
    noisy_img[salt_mask] = 255
    noisy_img[pepper_mask] = 0
    return noisy_img

# 高斯-椒盐混合噪声
def add_gauss_salt_pepper_mixture(img, gauss_sigma=0.5, sp_prob=0.05):
    noisy_img = add_gaussian_noise(img, gauss_sigma)
    mixed_noisy_img = add_salt_pepper_noise(noisy_img, sp_prob)
    return mixed_noisy_img

# 添加噪声并保存
noisy_img_gaussian = add_gaussian_noise(img)
noisy_img_salt_pepper = add_salt_pepper_noise(img)
noisy_img_mixed = add_gauss_salt_pepper_mixture(img)

# 将图像转换回PIL格式以便显示
gaussian_pil = Image.fromarray(cv2.cvtColor(noisy_img_gaussian, cv2.COLOR_GRAY2RGB))
salt_pepper_pil = Image.fromarray(cv2.cvtColor(noisy_img_salt_pepper, cv2.COLOR_GRAY2RGB))
mixed_pil = Image.fromarray(cv2.cvtColor(noisy_img_mixed, cv2.COLOR_GRAY2RGB))

# 保存图像
gaussian_pil.save("noisy_gaussian.jpg")
salt_pepper_pil.save("noisy_salt_pepper.jpg")
mixed_pil.save("noisy_mixed.jpg")

# 分析说明：
# - 高斯噪声：图像细节变得模糊，整体色彩保留。
# - 椒盐噪声：部分像素变为黑白，破坏了连续性，造成斑块状的效果。
# - 高斯-椒盐混合：结合了上述两种噪声，既有局部模糊又有随机斑点，更接近真实世界中的噪声。

编写程序，给图像添加高斯噪声、椒盐噪声和均匀噪声

在编写程序给图像添加不同类型噪声时，通常会使用计算机视觉和数字信号处理库，如Python的PIL（Pillow）库用于图像操作，NumPy用于数学运算，而OpenCV则常用于更高级的图像处理任务。以下是向图像添加三种常见噪声的基本步骤：

1. **高斯噪声**：也称为高斯白噪声，这种噪声是从正态分布随机产生的。可以按照以下步骤操作：
- 加载图像
- 使用NumPy生成高斯噪声矩阵，其大小与原图相同
- 将噪声矩阵与原图像像素逐点相加，得到带噪图像

   from PIL import Image
   import numpy as np

   image = Image.open('image.jpg')
   noisy_image = image.convert('L') # 对灰度图像操作
   noise_matrix = np.random.normal(0, sigma, noisy_image.size)
   noisy_image_array = np.array(noisy_image) + noise_matrix
   noisy_image = Image.fromarray(np.uint8(noisy_image_array))

2. **椒盐噪声**：这种噪声表现为图像像素点被随机设置为最大值或最小值，模拟实际中的像素丢失或错误。可以采用掩码的方式来生成：
- 随机选择一部分像素点作为“污染”位置

   def salt_and_pepper(image, rate):
       mask = np.random.rand(*image.shape) < rate
       noisy_image = image.copy()
       noisy_image[mask] = 0 if image.dtype == 'uint8' else image.min()
       noisy_image[~mask] = image.max() if image.dtype == 'uint8' else image.max()
       return noisy_image

3. **均匀噪声**：所有像素值都增加或减少相同的随机数值。同样通过NumPy实现：

   uniform_noise = np.random.uniform(-offset, offset, image.shape)
   noisy_image = image + uniform_noise

记得调整噪声强度（sigma、rate和offset等）以控制噪声的量。