В этом статье мы рассмотрим, как добавить шум на изображение с помощью Python. Добавление шума может понадобиться в различных контекстах, например, в дата-анализе и машинном обучении для улучшения устойчивости моделей. Мы подробно разберем, что такое шум, какие библиотеки нам понадобятся, и как реализовать различные виды шумов.
Что такое шум в изображениях?
Шум в изображениях — это случайные вариации яркости или цвета. Существует много типов шума, включая:
- Гауссовский шум: шум с нормальным распределением значений.
- Шум типа соль-перец: случайные белые и черные пиксели.
Шум может ухудшить качество изображений, но он также полезен для тестирования алгоритмов обработки изображений и устойчивости моделей машинного обучения.
Установка необходимых библиотек
Для работы с изображениями и добавления шума нам понадобятся следующие библиотеки:
- NumPy: для работы с массивами данных.
- OpenCV: для обработки изображений.
- Matplotlib: для отображения изображений.
Чтобы установить эти библиотеки, откройте терминал и выполните команду:
pip install numpy opencv-python matplotlibОсновы работы с изображениями в Python
Чтение и отображение изображения
Вот пример кода для чтения изображения с использованием OpenCV и его отображения с помощью Matplotlib:
import cv2
import matplotlib.pyplot as plt
# Чтение изображения
image = cv2.imread('image.jpg')
# Конвертация от BGR к RGB
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# Отображение изображения
plt.imshow(image_rgb)
plt.axis('off')
plt.show()Вывод информации об изображении
Чтобы узнать размеры и количество каналов изображения, можем использовать следующий код:
height, width, channels = image.shape
print(f'Height: {height}, Width: {width}, Channels: {channels}')Добавление шума на изображение
Гауссовский шум
Гауссовский шум имеет нормальное распределение значений и используется для имитации естественного шума. Вот пример для добавления такого шума:
import numpy as np
def add_gaussian_noise(image: np.ndarray, mean: float = 0, sigma: float = 25) -> np.ndarray:
"""Добавляет гауссовский шум на изображение.
Args:
image (np.ndarray): Исходное изображение.
mean (float): Среднее значение шума.
sigma (float): Стандартное отклонение шума.
Returns:
np.ndarray: Зашумленное изображение.
"""
noise = np.random.normal(mean, sigma, image.shape).astype('uint8')
noisy_image = cv2.add(image, noise)
return noisy_image
noisy_image_gaussian = add_gaussian_noise(image)
plt.imshow(noisy_image_gaussian)
plt.axis('off')
plt.show()Шум типа соль-перец
Шум типа соль-перец создает случайные белые и черные пиксели на изображении. Вот пример для добавления такого шума:
import numpy as np
def add_salt_and_pepper_noise(image: np.ndarray, salt_prob: float, pepper_prob: float) -> np.ndarray:
"""Добавляет шум типа соль-перец на изображение.
Args:
image (np.ndarray): Исходное изображение.
salt_prob (float): Вероятность появления соли.
pepper_prob (float): Вероятность появления перца.
Returns:
np.ndarray: Зашумленное изображение.
"""
noisy = np.copy(image)
total_pixels = image.size
# Добавление соли
num_salt = np.ceil(salt_prob * total_pixels)
coords = [np.random.randint(0, i - 1, int(num_salt)) for i in image.shape]
noisy[coords[0], coords[1], :] = 1
# Добавление перца
num_pepper = np.ceil(pepper_prob * total_pixels)
coords = [np.random.randint(0, i - 1, int(num_pepper)) for i in image.shape]
noisy[coords[0], coords[1], :] = 0
return noisy
noisy_image_sp = add_salt_and_pepper_noise(image, 0.02, 0.02)
plt.imshow(noisy_image_sp)
plt.axis('off')
plt.show()Сравнение изображений
Для сравнения оригинального и зашумленного изображений можем использовать следующий метод визуализации:
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.imshow(image_rgb)
plt.title('Оригинальное изображение')
plt.axis('off')
plt.subplot(1, 2, 2)
plt.imshow(noisy_image_gaussian)
plt.title('Зашумленное изображение')
plt.axis('off')
plt.show()Заключение
В этой статье мы рассмотрели основные методы добавления шума на изображение с помощью Python. Мы узнали, что такое шум, и как его использовать в контексте дата-анализа и машинного обучения. Методы добавления шума могут быть полезны для улучшения устойчивости моделей и тестирования алгоритмов обработки изображений.