如何利用python正确地为图像添加高斯噪声

开门见山，直接使用 skimage 库为图像添加高斯噪声是很简单的：

import skimage

origin = skimage.io.imread("./lena.png")
noisy = skimage.util.random_noise(origin, mode='gaussian', var=0.01)

但是如果不用库函数而自己实现的话，有几个问题是值得注意的。

彩图 or 灰度图

读取图片时，图片可能是有三通道的RGB图片，也有可能是单通道的灰度图，甚至四通道的RGBA图。

通道数不同会影响图像数据的 shape ，例如： (256, 256, 3) 、(256, 256)

很多人按照MATLAB的习惯，使用 np.random.randn 来生成高斯噪声，则需要根据通道数调整参数。

# RGB
noise = sigma * np.random.randn(256, 256, 3)
# GRAY
noise = sigma * np.random.randn(256, 256)

为了通用的处理，最好使用 np.random.normal 生成高斯噪声。

noise = np.random.normal(mean, var ** 0.5, image.shape)

前两个参数分别为 均值和标准差，第三个参数为生成数据的 shape，直接将图像本身shape输入进去，更加优雅。

uint8 or float64

一般遇到的图像都是8bit的，用skimage或opencv读取后会发现数据类型是uint8的ndarray，取值范围是 [0, 255] 。

如果手贱直接在整型数据上添加高斯噪声，如：

image = io.imread("lena.png")
noise = np.random.normal(0, 10, image.shape)
noisy = image + noise

你会发现 plt.imshow 出来的是一片空白，或者有零星几个噪点。

以一个像素为例分析原因：

• 图像本身是[0, 255]的整数：[226 137 125]

• 生成的噪声是浮点数：[-2.92864248 4.04786763 12.23436435]

• 相加后最后的数据：[223.07135752 141.04786763 137.23436435]

matplotlib 的 imshow 要求输入是 (0-1 float or 0-255 int)，所以上述不伦不类的数据是无法正确显示的（只显示了恰好落在0-1之间的像素）。

在很多应用中，为了方便计算，都会将图像数据转换为浮点数，float64，取值范围为 [0, 1]。

为了转换数据类型，最简单的方式是直接除以255：

image = io.imread("./lena.png")
print(image.dtype)# uint8

image = image/255
print(image.dtype)# float64

更稳妥的做法，可以使用skimage的img_to_float() ：

image = img_as_float(image)

这样再添加高斯噪声就可以正确显示。

方差 or 标准差

高斯噪声符合一个均值为0，方差为 σ 2 \sigma^2 σ2 的高斯分布。

均值为0，是保证图像的亮度不会有变化，而方差大小则决定了高斯噪声的强度。

方差/标准差越大，噪声越强。

这里有一点点初中数学的细节，就是在[0, 1]区间内， y = x y=\sqrt{x} y=x  比 y = x y=x y=x 要大。

所以，设置方差为0.1，噪声要比设置标准差为0.1大不少。注意不要用混了就可以。

是否截断（clip）

由于需要把噪声叠加到原图像中，因此叠加后的数据值就可能超出对应数据类型的取值范围。

如果用matplotlib显示超出范围的彩色图像，则可能遇到以下提示：

Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).

matplotlib自动将图片做了截断。

而不知为何，matplotlib并不会自动对灰度图进行截断，例如：

叠加噪声之后，图片数据的最小值和最大值分别为 -0.32 和 1.25，这明显超过了[0, 1]的范围。

这样显示出的图片是不正确的（中间图像），更像是重新将图像缩放到了[0, 1]范围内，就像将色阶向外扩了一样，对比度也下降了。

使用 np.clip，将图像截断到 [0, 1]之间，如右图所示，图像明显正常了很多。

来源：https://blog.csdn.net/howlclat/article/details/107216722