如何用python给数据加上高斯噪声
python给数据加上高斯噪声
一开始用MATLAB给数据加噪声很简单，就一句话：
% 给数据加指定SNR的高斯噪声
signal_noise = awgn(signal,SNR,'measured');但用python实现加噪声的时候遇到一个小问题，也是由于本人愚钝的原因吧。
回顾MATLAB中的加高斯噪声
常用方法：
% 给数据加指定SNR的高斯噪声
signal_noise = awgn(signal,SNR,'measured');
Ps=sum(sum((signal-mean(mean(signal))).^2)); %signal power
Pn=sum(sum((signal-signal_noise).^2)); %noise power
snr=10*log10(Ps/Pn); %验证所加的噪声这里的signal 是一个二维的数据矩阵，所以后面的操作都是矩阵的操作。MATLAB中运行完全没有问题。
Python中利用numpy给数据加噪声
本文方法：
# 给数据加指定SNR的高斯噪声
SNR = 5
noise = np.random.randn(signal.shape[0],signal.shape[1]) #产生N(0,1)噪声数据
noise = noise-np.mean(noise) #均值为0
signal_power = np.linalg.nORM( signal - signal.mean() )**2 / signal.size #此处是信号的std**2
noise_variance = signal_power/np.power(10,(SNR/10)) #此处是噪声的std**2
noise = (np.sqrt(noise_variance) / np.std(noise) )*noise ##此处是噪声的std**2
signal_noise = noise + signal
Ps = ( np.linalg.norm(signal - signal.mean()) )**2 #signal power
Pn = ( np.linalg.norm(signal - signal_noise ) )**2 #noise power
snr = 10*np.log10(Ps/Pn)有很多人在产生给定SNR的高斯噪声时，用的是：
signal_power = np.linalg.norm( signal )**2
noise_variance = signal_power/np.power(10,(SNR/10))
noise = np.sqrt(noise_variance)*noise + 0这里实际上是有问题的，我一开始也没发现。因为产生分布为N(mean,std**2)的噪声我们用的公式是：
noise = std * N(0,1) + mean换句话说，我们需要计算噪声的std 以及 mean 。
计算噪声的 std 时，需要先计算信号的 std，然后利用SNR来求出噪声的 std ，从上面的代码中能发现，signal_power 代表的是信号的std^2 与 signal.size 的乘积，多乘了一个signal.size 那结果肯定是有问题的。
python批量给图形添加噪声
python代码实现批量给图形添加高斯噪声和椒盐噪声
高斯噪声
import cv2
import os
import numpy as np
def add_noise_Guass(img, mean=0, var=0.01): # 添加高斯噪声
img = np.array(img / 255, dtype=float)
noise = np.random.normal(mean, var ** 0.5, img.shape)
out_img = img + noise
if out_img.min() < 0:
low_clip = -1
else:
low_clip = 0
out_img = np.clip(out_img, low_clip, 1.0)
out_img = np.uint8(out_img * 255)
return out_img
# 读取函数，用来读取文件夹中的所有函数，输入参数是文件名
def read_directory(directory_name):
for filename in os.listdir(directory_name):
print(filename) # 仅仅是为了测试
img = cv2.imread(directory_name + "/" + filename)
#####显示图片#######
out_img = add_noise_Guass(img)
cv2.imshow("img", out_img)
cv2.waiTKEy(0)
#####################
#####保存图片#########
cv2.imwrite("C:/Users/Dong.Shao2/Desktop/DataSet/gaussian" + "/" + filename, out_img * 255)
read_directory("C:/Users/Dong.Shao2/Desktop/DataSet/image")#这里传入所要读取文件夹的绝对路径，加引号（引号不能省略！）椒盐噪声
import cv2
import random
import os
import numpy as np
def add_salt_pepper(img, prob):
resultImg = np.zeros(img.shape, np.uint8)
thres = 1 - prob
for i in range(img.shape[0]):
for j in range(img.shape[1]):
rdn = random.random()
if rdn < prob:
resultImg[i][j] = 0
elif rdn > thres:
resultImg[i][j] = 255
else:
resultImg[i][j] = img[i][j]
return resultImg
# 读取函数，用来读取文件夹中的所有函数，输入参数是文件名
def read_directory(directory_name):
for filename in os.listdir(directory_name):
print(filename) # 仅仅是为了测试
img = cv2.imread(directory_name + "/" + filename)
#####显示图片#######
out_img = add_salt_pepper(img,0.05)
cv2.imshow("img", out_img)
cv2.waitKey(0)
#####################
#####保存图片#########
cv2.imwrite("C:/Users/Dong.Shao2/Desktop/DataSet/salt_pepper" + "/" + filename, out_img )
read_directory("C:/Users/Dong.Shao2/Desktop/DataSet/image")#这里传入所要读取文件夹的绝对路径，加引号（引号不能省略！）随机噪声
import cv2
import os
import numpy as np
def random_noise(image,noise_num):
'''
添加随机噪点（实际上就是随机在图像上将像素点的灰度值变为255即白色）
param image: 需要加噪的图片
param noise_num: 添加的噪音点数目
return: img_noise
'''
# 参数image：，noise_num：
img_noise = image
# cv2.imshow("src", img)
rows, cols, chn = img_noise.shape
# 加噪声
for i in range(noise_num):
x = np.random.randint(0, rows)#随机生成指定范围的整数
y = np.random.randint(0, cols)
img_noise[x, y, :] = 255
return img_noise
# 读取函数，用来读取文件夹中的所有函数，输入参数是文件名
def read_directory(directory_name):
for filename in os.listdir(directory_name):
print(filename) # 仅仅是为了测试
img = cv2.imread(directory_name + "/" + filename)
#####显示图片#######
out_img = random_noise(img,10000)
cv2.imshow("img", out_img)
cv2.waitKey(0)
#####################
#####保存图片#########
cv2.imwrite("C:/Users/Dong.Shao2/Desktop/DataSet/random" + "/" + filename, out_img )
read_directory("C:/Users/Dong.Shao2/Desktop/DataSet/image")#这里传入所要读取文件夹的绝对路径，加引号（引号不能省略！）总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。
相关文章