图像处理算法——常用传统图像增强算法代码实现之椒盐噪声、高斯噪声、改变图像亮度

大家好，欢迎来到IT知识分享网。

前言

现阶段图像增强技术用的越来越多，尤其在目标检测和图像分割等领域。我上篇博文介绍了一种比较好涨点的、新的图像数据增强算法：YOCO (You Only Cut Once)数据增强。这里就简单介绍几种常用的传统图像增强算法，并附上代码。

一、椒盐噪声和高斯噪声

1.1、椒盐噪声

椒盐噪声（Pepper and Salt noise），也被称作脉冲噪声，是一种在图像中常见的噪声形式。它随机地将图像中的一些像素点的值变为最大值（通常在灰度图像中为255，代表“盐”）或最小值（通常为0，代表“胡椒”），从而产生一种黑白杂点的视觉效果。代码如下：

import cv2 import random def PepperandSalt(src,percetage): NoiseImg = src.copy() # 使用 copy 来避免改变原始图像 NoiseNum=int(percetage*src.shape[0]*src.shape[1]) for i in range(NoiseNum): randX=random.random_integers(0,src.shape[0]-1) randY=random.random_integers(0,src.shape[1]-1) if random.random_integers(0,1)<=0.5: NoiseImg[randX,randY]=0 else: NoiseImg[randX,randY]=255 return NoiseImg img=cv2.imread(r'zfg.jpg') img1=PepperandSalt(img,0.02) cv2.imwrite(r'zfg1.jpg',img1) cv2.imshow('PepperandSalt',img1) cv2.waitKey(0) 

1.1、高斯噪声

import cv2 import random def GaussianNoise(src, means, sigma): NoiseImg = src.copy() # 使用 copy 来避免改变原始图像 rows, cols = NoiseImg.shape[:2] # 为整个图像生成高斯噪声 gauss = np.random.normal(means, sigma, (rows, cols)).reshape(rows, cols) # 添加噪声并确保结果仍然在有效范围内 NoiseImg = NoiseImg + gauss[..., np.newaxis] if len(src.shape) == 3 else NoiseImg + gauss np.clip(NoiseImg, 0, 255, out=NoiseImg) # 限制值在0到255之间 NoiseImg = NoiseImg.astype(np.uint8) # 转换为无符号8位整型 return NoiseImg img=cv2.imread(r'zfg.jpg') img1=GaussianNoise(img,0，10) cv2.imwrite(r'zfg2.jpg',img1) cv2.imshow('GaussianNoise',img1) cv2.waitKey(0) 

效果如下（小小的出卖下自己哈哈🤣）

二、改变亮度

这里先直接上代码吧

import cv2 import numpy as np alpha = 0.3 beta = 80 img_path = r'zfg.jpg' img = cv2.imread(img_path) img2 = cv2.imread(img_path) def updateAlpha(x): global alpha, img, img2 alpha = cv2.getTrackbarPos('Alpha', 'image') alpha = alpha * 0.01 img = np.uint8(np.clip((alpha * img2 + beta), 0, 255)) def updateBeta(x): global beta, img, img2 beta = cv2.getTrackbarPos('Beta', 'image') img = np.uint8(np.clip((alpha * img2 + beta), 0, 255)) # 创建窗口 cv2.namedWindow('image') cv2.createTrackbar('Alpha', 'image', 0, 300, updateAlpha) cv2.createTrackbar('Beta', 'image', 0, 255, updateBeta) cv2.setTrackbarPos('Alpha', 'image', 100) cv2.setTrackbarPos('Beta', 'image', 10) while (True): cv2.imshow('image', img) if cv2.waitKey(1) == ord('q'): break cv2.destroyAllWindows() 

运行后效果如下所示：

图片的上面设置了两个可调节的功能，一个是Alpha；一个是Beta，其主要功能如下：
1、alpha（Alpha）是增益或对比度系数。如果 alpha 大于1，对比度会增加，小于1（但大于0）时，对比度会减少。alpha 等于1意味着对比度不变。
2、beta（Beta）是偏置量，用于控制亮度。通过增加或减少 beta 值，可以使图像变亮或变暗。正值会使图像亮度增加，负值会使其减少。
在代码中：
1、updateAlpha 函数用于更新图像的对比度。当用户移动Alpha轨迹条时，会调用 updateAlpha 函数，并更新 alpha 值，进而更新图像。cv2.getTrackbarPos(‘Alpha’, ‘image’) 获得轨迹条的当前位置，乘以0.01是因为轨迹条的范围是0到300（为了精细调整对比度），而实际 alpha 应该在0到3之间。
2、updateBeta 函数用于更新图像的亮度。当用户移动Beta轨迹条时，会调用 updateBeta 函数，并更新 beta 值，进而更新图像。轨迹条的范围是0到255，直接映射到 beta 值。
在这两个函数中，通过 np.clip((alpha * img2 + beta), 0, 255) 确保更新后图像的像素值仍然在0到255的有效范围内。np.uint8 确保像素值类型正确（无符号8位整数）。
代码的最后部分创建了一个窗口，并在无限循环中显示调整后的图像，直到用户按下’q’键为止。轨迹条的位置改变时会实时更新显示的图像亮度和对比度。
这里就先介绍两种吧，下次继续更新~