图像处理------图像加噪 分类： 视频图像处理 2015-07-24 09:26 24人阅读 评论(0) 收藏

图像噪声源于现实世界中数字信号总会受到各种各样的干扰，最终接受的图像和源于的数字信号之间总

是存在一定的差异，对于图像噪声，使用均值滤波和中值滤波来消除图像噪声的做法已经是很常见的图

像消噪手段。

 

一：图像加噪原理

1.     椒盐噪声（Salt And Pepper Noise）

椒盐噪声是一种因为信号脉冲强度引起的噪声，信噪比（Signal NoiseRate）是衡量图像噪声的一个数字指标。

给一副数字图像加上椒盐噪声的处理顺序应该如下：

1. 指定信噪比 SNR 其取值范围在[0, 1]之间
2. 计算总像素数目 SP， 得到要加噪的像素数目 NP = SP * (1-SNR)
3. 随机获取要加噪的每个像素位置P（i, j）
4. 指定像素值为255或者0。
5. 重复c, d两个步骤完成所有像素的NP个像素
6. 输出加噪以后的图像

 

2.     高斯噪声（Gaussian Noise）

高斯噪声的密度取决于公式G(x, sigma) 其中X是代表平均值，sigma代表的标准方差，每个输入像素 Pin, 

一个正常的高斯采样分布公式G(d), 得到输出像素Pout.

       Pout = Pin + XMeans + sigma *G(d)

其中d为一个线性的随机数，G(d)是随机数的高斯分布随机值。

给一副数字图像加上高斯噪声的处理顺序如下：

a.      输入参数sigam 和 X mean

b.      以系统时间为种子产生一个伪随机数

c.      将伪随机数带入G（d）得到高斯随机数

d.      根据输入像素计算出输出像素

e.      重新将像素值防缩在[0 ~ 255]之间

f.       循环所有像素

g.      输出图像

 

二：关键程序解析

1.     椒盐噪声

根据信噪比，获取要加入椒盐噪声的像素数目

int size= (int)(inPixels.length * (1-SNR));

 

随机得到像素，完成椒盐噪声的加入

for(int i=0; i<size; i++) {

int row = (int)(Math.random()* (double)height);

int col = (int)(Math.random()* (double)width);

index= row * width + col;

inPixels[index]= (255 << 24) | (255 << 16) | (255 << 8) | 255;

}

 

2.     高斯噪声

根据标准方差，和伪随机数的范围，首先计算出一个伪随机数d ，根据d得到高斯分布的随机数值，整个代码如下：

    float d = (float)Math.random()*RANDOM_SCOPE - RANDOM_SCOPE/2;

    float sigma2 = sigma*sigma*2;

    float PI2 = (float)Math.PI * 2;

    float sigmaPI2 = (float)Math.sqrt(PI2*sigma);

    float result = (float)Math.exp(-d/sigma2)/sigmaPI2;

伪随机数的范围为[-127~ 127]之间。

 

获取高斯噪声的像素代码如下：

tr = (int)((float)tr + getGaussianValue() + this.means);

tg = (int)((float)tg + getGaussianValue() + this.means);

tb = (int)((float)tb + getGaussianValue() + this.means);

mean是的值为0.

 

三：程序效果如下

加入白色椒盐噪声的图片

 

加入高斯噪声的图片

椒盐噪声的代码如下：

private BufferedImage addSaltAndPepperNoise(BufferedImage src, BufferedImage dst) {
    int width = src.getWidth();
       int height = src.getHeight();

       if ( dst == null )
           dst = createCompatibleDestImage( src, null );

       int[] inPixels = new int[width*height];
       getRGB( src, 0, 0, width, height, inPixels );

       int index = 0;
       int size = (int)(inPixels.length * (1-SNR));

       for(int i=0; i<size; i++) {
        int row = (int)(Math.random() * (double)height);
        int col = (int)(Math.random() * (double)width);
        index = row * width + col;
        inPixels[index] = (255 << 24) | (255 << 16) | (255 << 8) | 255;
       }

       setRGB( dst, 0, 0, width, height, inPixels );
       return dst;
}

高斯噪声的代码如下：

private BufferedImage gaussianNoise(BufferedImage src, BufferedImage dst) {
        int width = src.getWidth();
        int height = src.getHeight();

        if ( dst == null )
            dst = createCompatibleDestImage( src, null );

        int[] inPixels = new int[width*height];
        int[][][] tempPixels = new int[height][width][4];
        int[] outPixels = new int[width*height];
        getRGB( src, 0, 0, width, height, inPixels );
        int index = 0;
        float inMax = 0;
        float outMax = 0;
        for(int row=0; row<height; row++) {
            int ta = 0, tr = 0, tg = 0, tb = 0;
            for(int col=0; col<width; col++) {
                index = row * width + col;
                ta = (inPixels[index] >> 24) & 0xff;
                tr = (inPixels[index] >> 16) & 0xff;
                tg = (inPixels[index] >> 8) & 0xff;
                tb = inPixels[index] & 0xff;
                if(inMax < tr) {
                    inMax = tr;
                }
                if(inMax < tg) {
                    inMax = tg;
                }
                if(inMax < tb) {
                    inMax = tb;
                }
                tr = (int)((float)tr + getGaussianValue() + this.means);
                tg = (int)((float)tg + getGaussianValue() + this.means);
                tb = (int)((float)tb + getGaussianValue() + this.means);
                if(outMax < tr) {
                    outMax = tr;
                }
                if(outMax < tg) {
                    outMax = tg;
                }
                if(outMax < tb) {
                    outMax = tb;
                }
                tempPixels[row][col][0] = ta;
                tempPixels[row][col][1] = tr;
                tempPixels[row][col][2] = tg;
                tempPixels[row][col][3] = tb;
            }
        }

        // Normalization
        index = 0;
        float rate = inMax/outMax;
        for(int row=0; row<height; row++) {
            int ta = 0, tr = 0, tg = 0, tb = 0;
            for(int col=0; col<width; col++) {
                index = row * width + col;
                ta = tempPixels[row][col][0];
                tr = tempPixels[row][col][1];
                tg = tempPixels[row][col][2];
                tb = tempPixels[row][col][3];

                tr = (int)((float)tr * rate);
                tg = (int)((float)tg * rate);
                tb = (int)((float)tb * rate);
                outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;
            }
        }
        setRGB( dst, 0, 0, width, height, outPixels );
        return dst;
    }

版权声明：本文为博主原创文章，未经博主允许不得转载。