几种常见的数字图像噪声，及使用python添加噪声

参考文章：
https://blog.csdn.net/zhoufan900428/article/details/37695357

常见噪声：高斯噪声，椒盐噪声，泊松噪声，乘性噪声

高斯噪声

概率密度函数服从高斯分布的噪声。
产生原因：
1）图像传感器在拍摄时市场不够明亮、亮度不够均匀；
2）电路各元器件自身噪声和相互影响；
3）图像传感器长期工作，温度过高

泊松噪声

泊松噪声，就是符合泊松分布的噪声模型，泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数等等

乘性噪声

乘性噪声一般由信道不理想引起，它们与信号的关系是相乘，信号在它在，信号不在他也就不在。

椒盐噪声

椒盐噪声，椒盐噪声又称脉冲噪声，它随机改变一些像素值，是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。
椒盐噪声往往由图像切割引起。

瑞利噪声

瑞利噪声相比高斯噪声而言，其形状向右歪斜，这对于拟合某些歪斜直方图噪声很有用。
瑞利噪声的实现可以借由平均噪声来实现。其matlab实现如下：

a = -0.2;
b = 0.03;
n_rayleigh = a + (-b .* log(1 - rand(M,N))).^0.5;

伽马噪声

伽马噪声的分布，服从了伽马曲线的分布。伽马噪声的实现，需要使用b个服从指数分布的噪声叠加而来。指数分布的噪声，可以使用均匀分布来实现。（b=1时为指数噪声，b>1时通过若干个指数噪声叠加，得到伽马噪声）

a = 25;
b = 3;
n_Erlang = zeros(M,N); 
 
 for j=1:b
    n_Erlang = n_Erlang + (-1/a)*log(1 - rand(M,N));
end

均匀噪声

使用python的skimage.util.random_noise(image, mode=‘gaussian’, seed=None, clip=True, **kwargs)来添加噪声

1.先安装必要的依赖库：numpy , scipy , matpoltlib
2.安装scikit-image

pip install scikit-image

3.导入util库

import skimage
from skimage import util

4.函数介绍

def random_noise(image, mode='gaussian', seed=None, clip=True, **kwargs):
功能：为浮点型图片添加各种随机噪声
参数：
image：输入图片（将会被转换成浮点型），ndarray型
mode： 可选择，str型，表示要添加的噪声类型
	gaussian：高斯噪声
	localvar：高斯分布的加性噪声，在“图像”的每个点处具有指定的局部方差。
	poisson：泊松再生
	salt：盐噪声，随机将像素值变成1
	pepper：椒噪声，随机将像素值变成0或-1，取决于矩阵的值是否带符号
	s&p：椒盐噪声
	speckle：均匀噪声（均值mean方差variance），out=image+n*image
seed： 可选的，int型，如果选择的话，在生成噪声前会先设置随机种子以避免伪随机
clip： 可选的，bool型，如果是True，在添加均值，泊松以及高斯噪声后，会将图片的数据裁剪到合适范围内。如果谁False，则输出矩阵的值可能会超出[-1,1]
mean： 可选的，float型，高斯噪声和均值噪声中的mean参数，默认值=0
var：  可选的，float型，高斯噪声和均值噪声中的方差，默认值=0.01（注：不是标准差）
local_vars：可选的，ndarry型，用于定义每个像素点的局部方差，在localvar中使用
amount： 可选的，float型，是椒盐噪声所占比例，默认值=0.05
salt_vs_pepper：可选的，float型，椒盐噪声中椒盐比例，值越大表示盐噪声越多，默认值=0.5，即椒盐等量
--------
返回值：ndarry型，且值在[0,1]或者[-1,1]之间，取决于是否是有符号数
-------
注意：略（见源码）

python中的**kwargs是什么？

https://www.jianshu.com/p/037b6ea516f1这个讲的也很标准（关于位置参数，默认参数，非键值可变参数，键值可变参数）
*args和**kwargs称为“可变参数”，主要用与与函数定义，它们表示你可以将多个参数传递给这个函数。
这个“多个”的含义是，预先不知道会传递多少个（由于有些函数的mode参数不用，后边跟的参数数量也随之不同），上边的添加噪声函数就是个很好例子，有的噪声不需要均值方差，有的需要。
*args是用来发一个非键值对的可变数量的参数列表给一个函数，例如

def test_var_args(f_arg, *argv):
print("first normal arg:", f_arg)
for arg in argv:
print("another arg through *argv:", arg)
test_var_args('yasoob', 'python', 'eggs', 'test')

输出如下

first normal arg: yasoob
another arg through *argv: python
another arg through *argv: eggs
another arg through *argv: test

这说明后边的多个参数会被放进一个名为argv的列表中，而函数内部通过这个列表使用这些参数

**kwargs允许将一个不定长度的键值对，作为参数传递给函数，如果需要在一个函数中处理带名字的参数，就需要用到kwargs（意思就是kwarg代表很多有名字的参数），例如

def test_args_kwargs(arg1, arg2, arg3):
print("arg1:", arg1)
print("arg2:", arg2)
print("arg3:", arg3)

分别使用*args和**kwargs来给函数传递参数

>>> args = ("two", 3, 5)
>>> test_args_kwargs(*args)
arg1: two
arg2: 3
arg3: 5

>>> kwargs = {"arg3": 3, "arg2": "two", "arg1": 5}
>>> test_args_kwargs(**kwargs)
arg1: 5
arg2: two
arg3: 3

注意到，kwargs传递必须是键值对传递，而args只需要顺序传递进去即可

一个批量添加噪声的python代码

import cv2
import os
import numpy as np
from PIL import Image
from skimage import util

#批处理
path='F:/0.MaskRCNN(3 times)/hook_data/Mask/test3' #图片文件夹路径
image_names=os.listdir(path)  #列举path下所有文件和文件夹名称（返回一个list）
save_dir=os.path.join(path,'speckle(0,0.1)_test03') #我的文件夹名称
os.mkdir(save_dir)

for image_name in image_names:
    if(image_name.endswith('.jpg')): 
        img=Image.open(os.path.join(path,image_name))
        img=np.array(img)
        noise_gs_img=util.random_noise(img,mode='speckle')
        noise_gs_img=noise_gs_img*255  #由于输出是[0，1]的浮点型，先转成灰度图（我的输入就是灰度图）
        noise_gs_img=noise_gs_img.astype(np.int)   #再变成整型数组
        cv2.imwrite(os.path.join(save_dir,image_name),noise_gs_img)  #保存到新建的文件夹