标签：src 知识点 因此 噪声 python 需要 mat 而且 sigma
高斯噪声是一个均值为 0 方差为 \(\sigma_n^2\) 的正态分布，是一个加性噪声。但要正确地给图片添加高斯噪声，还要取决于程序中读入图片的数据格式。
如果图片的数据格式为 uint8，也即数据的范围为 [0, 255]，那么直接生成对应方差的噪声，然后加到图片上去。
# clean_image uint8 (128, 128)
noise_image = clean_image + np.random.rand(128, 128) * sigma此处 np.random.rand(128, 128) 生成一个均值为 0 方差为 1 的正态分布，然后我们乘以 \(\sigma_n\)，将方差调整到 \(\sigma_n^2\)，再加到图片上即可。
如果图片的数据格式为浮点型，而且数据的范围为 [0, 1]，那么我们需要对噪声的方差做一些调整，真正加到图片上的噪声方差应该为 \(\sigma_{real}^2 = \frac{\sigma_n^2}{255^2}\)，也即 \(\sigma_{real} = \frac{\sigma_n}{255}\)。
# clean_image float32 (128, 128)
noise_image = clean_image + np.random.rand(128, 128) * sigma / 255此处 np.random.rand(128, 128) 生成一个均值为 0 方差为 1 的正态分布，然后我们乘以 \(\sigma_n / 255\)，将真实方差调整到 \(\sigma_n^2\)，再加到图片上即可。
在 MATLAB 中，imnoise 会对图片进行处理，将像素值缩放到 [0, 1] 之间，因此我们在传入方差的时候也必须要先进行调整。
noise_image = imnoise(clean_image, ‘gaussian‘, 0, sigma^2/255^2)有时候，我们真的需要对知识抱有敬畏之心，任何一个小的知识点都没有那么简单。但如果你在这些小的知识点上犯了小错误，后果却是不可想象的。千里之堤毁于蚁穴，与君共勉！
获取更多精彩，请关注「seniusen」!
标签：src 知识点 因此 噪声 python 需要 mat 而且 sigma
原文地址：https://www.cnblogs.com/seniusen/p/10017559.html
