java在图像中加入噪声_JAVA图像处理系列（四）——噪声

图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。为图像添加噪声，常见有以下几种方法：

(1)高斯噪声

(2)脉冲噪声

(3)泊松噪声

高斯噪声

高斯噪声是指它的概率密度函数服从高斯分布(即正态分布)的一类噪声。高斯分布，也称正态分布，又称常态分布，记为N(μ，σ2)，其中μ，σ2为分布的参数，分别为高斯分布的期望和方差。当有确定值时，p(x)也就确定了，特别当μ=0，σ^2=1时，X的分布为标准正态分布。

给图像添加告诉高斯噪声的代码如下：

import java.awt.image.BufferedImage;

import java.util.Random;

public class GaussianNoise {

private Random rand = new Random(System.currentTimeMillis());

private int generateNoise(int color) {

double alpha, beta, sigma, value;

alpha = rand.nextDouble();

if (alpha == 0.0)

alpha = 1.0;

double SigmaGaussian = 4.0;

double TauGaussian = 20.0;

double tau;

beta = rand.nextDouble();

sigma = Math.sqrt(-2.0 * Math.log(alpha)) * Math.cos(2.0 * Math.PI * beta);

tau = Math.sqrt(-2.0 * Math.log(alpha)) * Math.sin(2.0 * Math.PI * beta);

value = (double) color + Math.sqrt((double) color) * SigmaGaussian * sigma + TauGaussian * tau;

if (value < 0.0)

return 0;

if (value > 255)

return (int) 255;

return (int) (value + 0.5);

}

public BufferedImage addNoiseImage(BufferedImage image) {

BufferedImage bimg = new BufferedImage(image.getWidth(),image.getHeight(),BufferedImage.TYPE_INT_RGB);

Pixel pixel = new Pixel();

for (int y = 0; y < image.getHeight(); y++) {

for (int x = 0; x < image.getWidth(); x++) {

pixel.setRGB(image.getRGB(x, y));

pixel.red = generateNoise(pixel.red);

pixel.green = generateNoise(pixel.green);

pixel.blue = generateNoise(pixel.blue);

bimg.setRGB(x, y, pixel.getRGB());

}

}

return bimg;

}

}

可以通过改变SigmaGaussian，TauGaussian的值，改变噪声的分布。

脉冲噪声

脉冲噪声(pulse noise)在通信中出现的离散型噪声的统称。它由时间上无规则出现的突发性干扰组成。脉冲噪声(impulsive noise)是非连续的，由持续时间短和幅度大的不规则脉冲或噪声尖峰组成。

给图像添加告诉脉冲噪声的代码如下：

import java.awt.image.BufferedImage;

import java.util.Random;

public class ImpulseNoise {

private Random rand = new Random(System.currentTimeMillis());

private int generateNoise(int color) {

double alpha, value;

alpha = rand.nextDouble();

if (alpha == 0.0)

alpha = 1.0;

double SigmaImpulse = 0.1;

if (alpha < (SigmaImpulse / 2.0)) {

value = 0;

} else if (alpha >= (1.0 - (SigmaImpulse / 2.0))) {

value = 255;

} else {

value = color;

}

if (value < 0.0)

return 0;

if (value > 255)

return (int) 255;

return (int) (value + 0.5);

}

public BufferedImage addNoiseImage(BufferedImage image) {

BufferedImage bimg = new BufferedImage(image.getWidth(),image.getHeight(),BufferedImage.TYPE_INT_RGB);

Pixel pixel = new Pixel();

for (int y = 0; y < image.getHeight(); y++) {

for (int x = 0; x < image.getWidth(); x++) {

pixel.setRGB(image.getRGB(x, y));

pixel.red = generateNoise(pixel.red);

pixel.green = generateNoise(pixel.green);

pixel.blue = generateNoise(pixel.blue);

bimg.setRGB(x, y, pixel.getRGB());

}

}

return bimg;

}

}

可以通过调整SigmaImpulse的值改变噪声分布

泊松噪声

泊松噪声，就是噪声分布符合泊松分布模型

泊松分布的概率函数为：

泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。 泊松分布适合于描述单位时间内随机事件发生的次数。

泊松分布的期望和方差均为

特征函数为

给图像添加泊松噪声代码如下：

import java.awt.image.BufferedImage;

import java.util.Random;

public class PoissonNoise {

private Random rand = new Random(System.currentTimeMillis());

private int generateNoise(int color) {

double alpha, beta, value;

alpha = rand.nextDouble();

if (alpha == 0.0)

alpha = 1.0;

double SigmaPoisson = 0.05;

int i = 0;

for (i = 0; alpha > Math.exp(-SigmaPoisson * color); i++) {

beta = rand.nextDouble();

alpha = alpha * beta;

}

value = i / SigmaPoisson;

if (value < 0.0)

return 0;

if (value > 255)

return (int) 255;

return (int) (value + 0.5);

}

public BufferedImage addNoiseImage(BufferedImage image) {

BufferedImage bimg = new BufferedImage(image.getWidth(),image.getHeight(),BufferedImage.TYPE_INT_RGB);

Pixel pixel = new Pixel();

for (int y = 0; y < image.getHeight(); y++) {

for (int x = 0; x < image.getWidth(); x++) {

pixel.setRGB(image.getRGB(x, y));

pixel.red = generateNoise(pixel.red);

pixel.green = generateNoise(pixel.green);

pixel.blue = generateNoise(pixel.blue);

bimg.setRGB(x, y, pixel.getRGB());

}

}

return bimg;

}

}

可以通过改变SigmaPoisson的值，改变造成分布。

辅助类Pixel实现

辅助类Pixel代码实现如下：

import java.awt.image.*;

public class Pixel {

public int red;

public int green;

public int blue;

public int alpha=0xFF;

public double hue;

public double saturation;

public double luminosity;

private int rgb;

public Pixel() {

}

public void setRGB(int rgb) {

red = (rgb & 0x00FF0000) / 0x00010000;

green = (rgb & 0x0000FF00) / 0x00000100;

blue = rgb & 0x000000FF;

alpha = (rgb >> 24)&0x0ff;

this.rgb = rgb;

}

public int getRGB() {

rgb = alpha<<24 | 0x00010000 * red | 0x00000100 * green | blue;

return this.rgb;

}

public static void setRgb(BufferedImage image, int x, int y, int red, int green, int blue) {

int rgb = 0xFF000000 | red * 0x00010000 | green * 0x00000100 | blue;

image.setRGB(x, y, rgb);

}

public static int pixelIntensity(int rgb) {

int red = (rgb&0x00FF0000)/0x00010000;

int green = (rgb&0x0000FF00)/0x00000100;

int blue = rgb&0x000000FF;

return (int) (0.299 * red + 0.587 * green + 0.114 * blue + 0.5);

}

}

测试及效果

使用以下代码进行测试：

public class ImageEffectTest {

public static void main(String[] argv) throws IOException {

BufferedImage img = read(new File("girl.jpg"));

GaussianNoise gauss = new GaussianNoise();

ImpulseNoise impulse = new ImpulseNoise();

PoissonNoise poisson = new PoissonNoise();

BufferedImage img2 = gauss.addNoiseImage(img);

ImageIO.write(img2, "jpeg", new File("noise-girl-gaussian.jpg"));

img2 = impulse.addNoiseImage(img);

ImageIO.write(img2, "jpeg", new File("noise-girl-impulse.jpg"));

img2 = poisson.addNoiseImage(img);

ImageIO.write(img2, "jpeg", new File("noise-girl-poisson.jpg"));

}

}

产生的图像效果如下：(第一张为原图，第二张为高斯噪声效果，第三张为脉冲噪声效果，第四张为泊松噪声效果)

girl3.jpg

noise-girl-gaussian.jpg

noise-girl-impulse.jpg

noise-girl-poisson.jpg