向图像添加泊松噪声

赫尔德的回答是正确的。我只想补充一个事实,泊松噪声不是加性的,你不能把它作为高斯噪声来加。

根据你想要实现的目标,这里有一些建议:

• 模拟低光噪声图像(如果峰值=1,则它将非常噪声)

  import numpy as np
  image = read_image("YOUR_IMAGE")  # need a rescale to be more realistic
  noisy = np.random.poisson(image / 255.0 * PEAK) / PEAK * 255  # noisy image
  

• 在干净图像的顶部添加噪波层

  import numpy as np
  image = read_image("YOUR_IMAGE") 
  noisemap = create_noisemap() 
  noisy = image + np.random.poisson(noisemap)  
  

然后,如果您愿意,您可以将结果裁剪为0-255(我使用PIL,所以我使用255而不是1)。

事实上,保罗的回答毫无意义。

泊松噪声与信号有关!使用他提供的这些命令,后来添加到图像中的噪声与信号无关。

为了使其与信号相关,您可以将图像传递给NumPy的泊松函数:

filename = 'myimage.png'
img = (scipy.misc.imread(filename)).astype(float)

noise_mask = numpy.random.poisson(img)

noisy_img = img + noise_mask

你可以使用 skimage.util.random_noise :

from skimage.util import random_noise

noisy = random_noise(img, mode="poisson")

来自项目 1.4.4-“泊松分布的高斯近似” 属于 Chapter 1 的 book :

对于较大的平均值,泊松分布良好 近似的 通过平均值和方差等于泊松随机变量平均值的高斯分布:

P()N(,)

然后,我们可以从正态分布N(0,1)生成泊松噪声,用的平方根缩放其标准偏差,并将其添加到图像中,该值为:

# Image size
M, N = 1000, 1000

# Generate synthetic image
image = np.tile(np.arange(0,N,dtype='float64'),(M,1)) * 20

# -- sqrt(mu) * normal(0,1) --
poisson_noise = np.sqrt(image) * np.random.normal(0, 1, image.shape)

# Add the noise to the mu values
noisy_image = image + poisson_noise

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plt.title('Image')
plt.imshow(image,'gray')
plt.subplot(2,2,2)
plt.title('Noisy image noise')
plt.imshow(noisy_image,'gray')  
plt.subplot(2,2,3)
plt.title('Image profile')
plt.plot(image[0,:])
plt.subplot(2,2,4)
plt.title('Noisy image profile')
plt.plot(noisy_image[0,:])

print("Synthetic image mean: {}".format(image[:,1].mean()))
print("Synthetic image variance: {}".format(image[:,1].var()))    
print("Noisy image mean: {}".format(noisy_image[:,1].mean()))
print("Noisy image variance: {}".format(noisy_image[:,1].var()))

由于泊松噪声是信号相关的,随着我们增加潜在信号,噪声方差也会增加,正如我们在这一行剖面中看到的那样:

单列中的统计数据输出:

合成图像平均值:20.0

合成图像方差:0.0

噪声图像平均值:19.931120555821597

噪声图像方差:19.39456713877459

进一步参考:[ 1 ][ 2 ]

如果您可以使用numpy/scipy,那么以下内容应该会有所帮助。我建议您将数组强制转换为float以进行中间计算,然后再强制转换回uint8以进行输出/显示。由于泊松噪声全部>=0时,您需要决定在返回uint8时如何处理数组溢出。你可以根据你的目标进行缩放或截断。

filename = 'myimage.png'
imagea = (scipy.misc.imread(filename)).astype(float)

poissonNoise = numpy.random.poisson(imagea).astype(float)

noisyImage = imagea + poissonNoise

#here care must be taken to re cast the result to uint8 if needed or scale to 0-1 etc...