快捷導(dǎo)航

C++ OpenCV實(shí)現(xiàn)與添加椒鹽噪聲和高斯噪音

更新時(shí)間：2023年09月13日 09:47:01 作者：錫蘭_CC

圖像噪聲是圖像在獲取或是傳輸過程中受到隨機(jī)信號(hào)干擾,妨礙人們對圖像理解及分析處理的信號(hào),本文為大家整理了C++結(jié)合OpenCV為圖像添加椒鹽噪聲和高斯噪音的代碼,需要的可以收藏一下

一、什么是圖像噪音

圖像噪聲是圖像在獲取或是傳輸過程中受到隨機(jī)信號(hào)干擾，妨礙人們對圖像理解及分析處理的信號(hào)。很多時(shí)候?qū)D像噪聲看做多維隨機(jī)過程，因而描述噪聲的方法完全可以借用隨機(jī)過程的描述，也就是用它的概率分布函數(shù)和概率密度分布函數(shù)。圖像噪聲的產(chǎn)生來自圖像獲取中的環(huán)境條件和傳感元器件自身的質(zhì)量，圖像在傳輸過程中產(chǎn)生圖像噪聲的主要因素是所用的傳輸信道受到了噪聲的污染。

二、椒鹽噪聲

椒鹽噪聲是數(shù)字圖像中的常見噪聲，一般是由圖像傳感器、傳輸信道及解碼處理等產(chǎn)生的黑白相見的亮暗點(diǎn)噪聲，椒鹽噪聲常由圖像切割產(chǎn)生。椒鹽噪聲是指兩種噪聲：鹽噪聲（salt noise）及椒噪聲（pepper noise）。鹽噪聲一般是白色噪聲，椒噪聲一般是黑色噪聲，前者高灰度噪聲，后者屬于低灰度噪聲，一般兩種噪聲同時(shí)出現(xiàn)，呈現(xiàn)在圖像上就是黑白雜點(diǎn)。圖像去除脈沖干擾及椒鹽噪聲最常用的算法是中值濾波，圖像模擬添加椒鹽噪聲是通過隨機(jī)獲取像素值點(diǎn)并設(shè)置為高亮點(diǎn)來實(shí)現(xiàn)的。

示例代碼

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <cstdlib>
using namespace cv;
// 向圖像添加椒鹽噪聲的函數(shù)
Mat addSaltNoise(Mat srcImage, int n)
{
	Mat resultImage = srcImage.clone();
	// 循環(huán)添加椒鹽噪聲'n'次
	for (int k = 0; k < n; k++)
	{
		// 隨機(jī)選擇一個(gè)像素位置
		int i = rand() % resultImage.cols;
		int j = rand() % resultImage.rows;
		// 檢查圖像的通道數(shù)
		// 如果是灰度圖像（1個(gè)通道），將像素值設(shè)置為255
		if (resultImage.channels() == 1)
			resultImage.at<uchar>(j, i) = 255;
		else // 如果是彩色圖像（3個(gè)通道），將所有通道的值都設(shè)置為255
		{
			resultImage.at<Vec3b>(j, i)[0] = 255;
			resultImage.at<Vec3b>(j, i)[1] = 255;
			resultImage.at<Vec3b>(j, i)[2] = 255;
		}
	}
	return resultImage;
}
int main()
{
	// 從文件加載源圖像
	Mat srcImage = imread("C://Users//86173//Desktop//cc.png");
	// 檢查圖像數(shù)據(jù)是否成功加載
	if (!srcImage.data)
		return -1;
	// 調(diào)用addSaltNoise函數(shù)，傳入源圖像和要添加的噪聲像素?cái)?shù)量
	Mat resultImage = addSaltNoise(srcImage, 5000);
	// 顯示原始圖像和帶有噪聲的圖像
	imshow("srcImage", srcImage);
	imshow("resultImage", resultImage);
	// 等待按鍵輸入，然后退出程序
	waitKey(0);
	return 0;
}

效果圖

三、高斯噪聲

高斯噪聲是指概率密度函數(shù)服從高斯分布（即正態(tài)分布）的一類噪聲。如果一個(gè)噪聲，它的幅度服從高斯分布，而它的功率譜密度又是分布均勻的，則稱它為高斯白噪聲。高斯白噪聲的二階矩不想關(guān)，一階矩為常數(shù)，是指先后信號(hào)在時(shí)間上的相關(guān)性。高斯白噪聲包括熱噪聲和散粒噪聲。高斯噪聲完全由其時(shí)變平均值和兩瞬時(shí)的協(xié)方差函數(shù)來確定，若噪聲為平穩(wěn)的，則平均值與時(shí)間無關(guān)，而協(xié)方差函數(shù)則變成僅和所考慮的兩瞬時(shí)之方差有關(guān)的相關(guān)函數(shù)，它在意義上等效于功率譜密度。高斯噪聲可以由大量獨(dú)立的脈沖產(chǎn)生，從而在任何有限時(shí)間間隔內(nèi)，這些脈沖中的每一個(gè)脈沖值與所有脈沖值的總和相比都可以忽略不計(jì)。

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
#include <cstdlib>
#include <limits>
#include <cmath>
using namespace cv;
using namespace std;
// 生成高斯分布的隨機(jī)數(shù)
double generateGaussianNoise(double mu, double sigma)
{
    // 定義一個(gè)特別小的值
    const double epsilon = numeric_limits<double>::min();
    static double z0, z1;
    static bool flag = false;
    flag = !flag;
    // flag為假，構(gòu)造高斯隨機(jī)變量
    if (!flag)
        return z1 * sigma + mu;
    double u1, u2;
    // 構(gòu)造隨機(jī)變量
    do
    {
        u1 = rand() * (1.0 / RAND_MAX);
        u2 = rand() * (1.0 / RAND_MAX);
    } while (u1 <= epsilon);
    // flag為真構(gòu)造高斯隨機(jī)變量X
    z0 = sqrt(-2.0 * log(u1)) * cos(2 * CV_PI * u2);
    z1 = sqrt(-2.0 * log(u1)) * sin(2 * CV_PI * u2);
    return z1 * sigma + mu;
}
// 為圖像添加高斯噪聲
Mat addGaussianNoise(Mat& srcImage)
{
    Mat resultImage = srcImage.clone();    // 深拷貝,克隆
    int channels = resultImage.channels();    // 獲取圖像的通道
    int nRows = resultImage.rows;    // 圖像的行數(shù)
    int nCols = resultImage.cols * channels;   // 圖像的總列數(shù)
    // 判斷圖像的連續(xù)性
    if (resultImage.isContinuous())    // 判斷矩陣是否連續(xù)，若連續(xù)，我們相當(dāng)于只需要遍歷一個(gè)一維數(shù)組
    {
        nCols *= nRows;
        nRows = 1;
    }
    for (int i = 0; i < nRows; i++)
    {
        for (int j = 0; j < nCols; j++)
        {
            // 添加高斯噪聲
            int val = resultImage.ptr<uchar>(i)[j] + generateGaussianNoise(2, 0.8) * 32;
            if (val < 0)
                val = 0;
            if (val > 255)
                val = 255;
            resultImage.ptr<uchar>(i)[j] = (uchar)val;
        }
    }
    return resultImage;
}
int main()
{
    Mat srcImage = imread("C://Users//86173//Desktop//cc.png");
    if (!srcImage.data)
        return -1;
    imshow("srcImage", srcImage);
    Mat resultImage = addGaussianNoise(srcImage);
    imshow("resultImage", resultImage);
    waitKey(0);
    return 0;
}

效果圖