数字图像的复原及重建

数字图像复原与重建的方法及原理

最新推荐文章于 2025-12-06 10:54:30 发布

原创

最新推荐文章于 2025-12-06 10:54:30 发布 · 703 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #人工智能 #图像处理

添加高斯噪声：
- 原理：依据设定的均值和方差，生成符合高斯分布的噪声数组，再与原始图像相加。通过方差的平方根确定噪声标准差，利用随机生成的高斯分布数值构成噪声。
- 特点：使图像整体模糊，引入随机灰度变化，模拟电子设备等产生的噪声。

def add_gaussian_noise(image, mean=0, var=1000):
    sigma = var ** 0.1
    gauss = np.random.normal(mean, sigma, image.shape).astype(np.uint8)
    noisy_image = cv2.add(image, gauss)
    return noisy_image

该函数接受一个图像、均值和方差作为参数，生成符合高斯分布的噪声并添加到图像上，返回带噪声的图像。

算术均值滤波：
- 原理：构建大小固定的滤波器核，核内元素值均为 1 除以核面积。将此核与图像卷积，对每个像素点及其邻域像素的灰度值做算术平均，得到滤波后的像素值。
- 特点：可平滑图像、去除随机噪声（如高斯噪声），但会模糊图像边缘和细节。

def arithmetic_mean_filter(image, kernel_size=5):
    kernel = np.ones((kernel_size, kernel_size), np.float32) / (kernel_size ** 2)
    return cv2.filter2D(image, -1, kernel)

创建一个指定大小的均值滤波器核，使用cv2.filter2D对图像进行卷积操作，实现算术均值滤波。

几何均值滤波：
- 原理：先将图像转为浮点数防溢出，再进行填充。遍历每个像素点，取其邻域像素，对邻域内大于 0 的像素值取对数后求平均，再取指数得到几何均值，作为滤波后的像素值。
- 特点：比算术均值滤波更能保留图像细节，能平滑噪声，一定程度维持图像原有结构。

def geometric_mean_filter(image, kernel_size=5):
    # 将图像转换为浮点数，以避免溢出
    image = image.astype(np.float32)
    # 创建结果图像
    filtered_image = np.zeros_like(image)