数字图像处理—3代数运算-优快云博客

3.1 加法运算

加法的通用表达式如式 C(x,y)=A(x,y)+B(x,y) 所示，其中，A(x,y)和B(x,y)为输入图像，C(x,y)为输出图像。假设当前存在某个静止场景的多幅图片集合，如果这些图片都被随机噪声干扰，那就可使用加法进行一定程度的去噪。

同时，我们需明白以下代码的意思：

①def GaussianNoise(image, mean, var):
    noise = np.random.normal(mean, var ** 0.5, image.shape)
    noisy_image = image + noise
    noisy_image = np.clip(noisy_image, 0, 1)
    return noisy_image

该段代码定义了一个名为GaussianNoise的函数。该函数接受三个参数：

image：输入的图像。

mean：高斯噪声的均值，控制噪声的偏移程度。

var：高斯噪声的方差，控制噪声的分散程度。

np.random.normal用于生成符合高斯分布的随机数。其中，image.shape：指定生成的噪声数组的形状，使其与输入图像的形状相同，以确保后续能正确叠加到图像上。

np.clip用于将数组中的元素限制在指定的范围内。

②img.flags.writeable=True

img 代表一幅图像。img.flags 用于访问该数组的标志属性。writeable 是 flags 对象中的一个属性，它是一个布尔值。当 writeable 为 True 时，表示该数组是可写的，即你可以修改数组中的元素值；当 writeable 为 False 时，表示该数组是只读的，尝试修改数组元素会引发 ValueError 异常。

③k=np.zeros([img.shape[0],img.shape[1]])
for i in range(100):
j=GaussianNoise(img,0,0.05)
k=k+j
k=k/100

np.zeros([img.shape[0], img.shape[1]]) 会创建一个与输入图像 img 具有相同行数和列数的零矩阵 k。这个矩阵将用于累加每次添加高斯噪声后的图像。

j = GaussianNoise(img, 0, 0.05)：调用 GaussianNoise 函数，将输入图像 img 加上均值为 0、方差为 0.05 的高斯噪声，得到加噪后的图像 j。

k = k + j：将每次加噪后的图像 j 累加到矩阵 k 中。经过 100 次循环后，k 中存储的是 100 张加噪图像的像素值总和。

k=k/100：将累加后的矩阵 k 除以 100，得到 100 张加噪图像的平均值。由于高斯噪声是随机分布的，多次平均后噪声的影响会相互抵消，从而达到一定的去噪效果。

④plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

这两行代码用于设置全局参数，保证中文和负号能够被正确显示。第一句用于保证代码运行结果的中文能正常显示并使用黑体，第二句用于保证负号能正常显示。

代码及运行结果如图2.12所示。