要在 Python 中使用 `matplotlib.pyplot` 显示添加了高斯噪声的图像变量 `img`，可以通过以下方法实现： ### 添加高斯噪声并显示 #### 1. 导入必要的库 为了完成此操作，需要导入 OpenCV 和 NumPy 库来处理图像以及生成高斯噪声，同时还需要 Matplotlib 来显示图像。 ```python import cv2 import numpy as np import matplotlib.pyplot as plt ``` #### 2. 定义函数以将 OpenCV 图像转换为 Matplotlib 可用的颜色通道顺序 由于 OpenCV 默认读取 BGR 格式的图像，而 Matplotlib 使用 RGB 格式，因此需要编写一个函数来进行颜色空间转换[^1]。 ```python def opencv2matplot(src): """ 将 opencv 颜色通道转换成 matplot 的颜色通道 """ b, g, r = cv2.split(src) return cv2.merge([r, g, b]) ``` #### 3. 加载原始图像 加载一张测试图像作为输入数据源。 ```python img = cv2.imread("./sample_img/messi5.jpg") if img is None: raise ValueError("Image not found or path is incorrect.") ``` #### 4. 创建带有高斯噪声的图像副本 利用 NumPy 构造指定标准差 σ 和均值 μ 的正态分布随机数矩阵，并将其叠加至原图之上形成含噪版本。这里假设μ=0表示零中心化；σ控制着噪音强度大小。 ```python mean = 0 # 均值设为0 sigma = 30 # 方差设置为900对应的标准偏差约为30 gaussian_noise = np.random.normal(mean, sigma, img.shape).astype(np.int8) noisy_image = np.clip(img.astype(np.int16) + gaussian_noise, 0, 255).astype(np.uint8) ``` 注意：此处采用 `np.clip()` 函数防止像素溢出范围 `[0, 255]`，从而保持最终结果合法有效。 #### 5. 展示带高斯噪声的图片 最后一步就是借助 Matplotlib 绘制对比效果图以便观察效果差异。 ```python plt.figure(figsize=(10, 5), dpi=100)[^2] # 子图1 - 原始图像 plt.subplot(1, 2, 1) plt.imshow(opencv2matplot(img)) plt.title('Original Image') plt.axis('off') # 子图2 - 含有高斯噪声的图像 plt.subplot(1, 2, 2) plt.imshow(opencv2matplot(noisy_image)) plt.title('Gaussian Noised Image') plt.axis('off') plt.tight_layout() plt.show() ``` 以上代码片段实现了向给定图像加入可控程度的高斯白噪声功能，并通过图形界面直观展示出来。 --- ###