### Python代码示例：对输入图片添加噪声并保存处理后的图片 以下提供了一种基于 `opencv-python` 的解决方案，用于读取一张图片、为其添加两种类型的噪声（高斯噪声和椒盐噪声）、生成标注噪声区域的二值图像，并通过三种滤波方法对其进行去噪处理。 #### 1. 导入库 首先导入必要的库： ```python import cv2 import numpy as np ``` --- #### 2. 添加高斯噪声 定义一个函数来为图像添加高斯噪声： ```python def add_gaussian_noise(image, mean=0, sigma=25): row, col, ch = image.shape gauss = np.random.normal(mean, sigma, (row, col, ch)) gauss = gauss.reshape(row, col, ch) noisy_image = np.clip(image.astype(np.float64) + gauss, 0, 255).astype(np.uint8) return noisy_image ``` 此函数接受原始图像以及均值 (`mean`) 和标准差 (`sigma`) 参数，返回带有高斯噪声的图像[^1]。 --- #### 3. 添加椒盐噪声 定义另一个函数来为图像添加椒盐噪声： ```python def add_salt_pepper_noise(image, prob=0.05): output = np.copy(image) thres = 1 - prob for i in range(image.shape[0]): for j in range(image.shape[1]): rdn = np.random.rand() if rdn < prob: output[i][j] = 0 # 黑色点 elif rdn > thres: output[i][j] = 255 # 白色点 return output ``` 此函数根据概率参数 (`prob`) 控制椒盐噪声的比例。 --- #### 4. 标注噪声区域 为了生成标注噪声区域的二值图像，可以记录噪声点的位置： ```python def generate_noise_mask(image, salt_pepper_prob=0.05, gaussian_sigma=25): mask = np.zeros_like(image[:, :, 0], dtype=np.bool_) # 记录椒盐噪声位置 sp_noisy_image = add_salt_pepper_noise(image, salt_pepper_prob) diff_sp = cv2.absdiff(sp_noisy_image, image) _, binary_sp = cv2.threshold(diff_sp.max(axis=2), 1, 255, cv2.THRESH_BINARY) mask |= binary_sp.astype(bool) # 记录高斯噪声位置 g_noisy_image = add_gaussian_noise(image, sigma=gaussian_sigma) diff_g = cv2.absdiff(g_noisy_image, image) _, binary_g = cv2.threshold(diff_g.max(axis=2), 1, 255, cv2.THRESH_BINARY) mask |= binary_g.astype(bool) return mask.astype(np.uint8) * 255 ``` 该函数会生成一个二值图像，其中噪声区域标记为白色，其余背景为黑色。 --- #### 5. 滤波处理 使用三种常见的滤波方法对含有噪声的图像进行处理： ```python def apply_filters(noisy_image): blurred_mean = cv2.blur(noisy_image, (5, 5)) # 均值滤波 blurred_median = cv2.medianBlur(noisy_image, 5) # 中值滤波 blurred_gaussian = cv2.GaussianBlur(noisy_image, (5, 5), 0) # 高斯滤波 return blurred_mean, blurred_median, blurred_gaussian ``` --- #### 6. 主程序逻辑 将上述功能组合在一起，形成完整的主程序： ```python if __name__ == "__main__": # 读取输入图像 input_path = "input.jpg" original_image = cv2.imread(input_path) if original_image is None: raise ValueError("无法读取图像，请检查路径") # 添加噪声 gaussian_noisy_image = add_gaussian_noise(original_image, sigma=25) salt_pepper_noisy_image = add_salt_pepper_noise(original_image, prob=0.05) # 合并两种噪声 combined_noisy_image = add_salt_pepper_noise(add_gaussian_noise(original_image)) # 生成噪声区域的二值图像 noise_mask = generate_noise_mask(original_image) # 对含噪图像应用滤波器 filtered_images = {} filtered_images["Mean Filter"] = cv2.blur(combined_noisy_image, (5, 5)) filtered_images["Median Filter"] = cv2.medianBlur(combined_noisy_image, 5) filtered_images["Gaussian Filter"] = cv2.GaussianBlur(combined_noisy_image, (5, 5), 0) # 保存结果 cv2.imwrite("gaussian_noisy_output.jpg", gaussian_noisy_image) cv2.imwrite("salt_pepper_noisy_output.jpg", salt_pepper_noisy_image) cv2.imwrite("combined_noisy_output.jpg", combined_noisy_image) cv2.imwrite("noise_region_mask.jpg", noise_mask) for name, img in filtered_images.items(): cv2.imwrite(f"{name.lower().replace(' ', '_')}_filtered.jpg", img) print("所有操作已完成，结果已保存！") ``` --- ### 结果说明 - 输入图像被成功加载。 - 图像经过高斯噪声和椒盐噪声处理后分别保存。 - 成功生成了标注噪声区域的二值图像。 - 使用均值滤波、中值滤波和高斯滤波对含噪图像进行了处理，并保存了各自的结果。 ---