高斯噪声
博客写的比较简单
#高斯噪声
def gaussian_noise(image):
h,w,c=image.shape
for row in range(h):
for col in range(w):
s=np.random.normal(0,20,3)
b=image[row,col,0]#blue
g=image[row,col,1]#green
r=image[row,col,2]#red
image[row, col, 0] = clamp(b + s[0])
image[row, col, 1] = clamp(g + s[1])
image[row, col, 2] = clamp(r + s[2])
cv.imshow("gaussian_noise",image)高斯模糊
1.高斯模糊实质上就是一种均值模糊，只是高斯模糊是按照加权平均的，距离越近的点权重越大，距离越远的点权重越小。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。
2.高斯分布的一维和二维原理如下：
补：高斯分布的标准差σ。标准差代表着数据的离散程度，如果σ较小，那么生成的模板的中心系数较大，而周围的系数较小，这样对图像的平滑效果就不是很明显；反之，σ较大，则生成的模板的各个系数相差就不是很大，比较类似均值模板，对图像的平滑效果比较明显。
#高斯模糊
#如果前面设置了值，后面的就不起作用
#dst=cv.GaussianBlur(src,(0,0),15)
dst=cv.GaussianBlur(src,(5,5),0)
#修改之后，输出图片没有那么模糊，说明高斯模糊对高斯噪声有抑制作用GaussianBlur函数
高斯模糊GaussianBlur函数原型：GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -> dst
src参数表示待处理的输入图像。
ksize参数表示高斯滤波器模板大小。 ksize.width和ksize.height可以不同，但它们都必须是正数和奇数。或者，它们可以是零，即（0, 0），然后从σ计算出来。
sigmaX参数表示 X方向上的高斯内核标准差。
sigmaY参数表示 Y方向上的高斯内核标准差。 如果sigmaY为零，则设置为等于sigmaX，如果两个sigma均为零，则分别从ksize.width和ksize.height计算得到。
补：若ksize不为(0, 0)，则按照ksize计算，后面的sigmaX没有意义。若ksize为(0, 0)，则根据后面的sigmaX计算ksize
np.random.normal函数
numpy包里的random模块用于生成随机数，random模块里的normal函数表示的是生成高斯随机数。
normal函数默认原型：normal(loc=0.0, scale=1.0, size=None)。
loc参数表示高斯分布的中心点。
scale参数表示高斯分布的标准差σ。
size参数表示产生随机数的个数。size取值可以为（m，n，k），表示绘制mnk个样本。
完整代码
import cv2 as cv
import numpy as np
#防止pv值超出255溢出
def clamp(pv):
if pv>255:
return 255
if pv<0:
return 0
else:
return pv
#高斯噪声
def gaussian_noise(image):
h,w,c=image.shape
for row in range(h):
for col in range(w):
s=np.random.normal(0,20,3)
b=image[row,col,0]#blue
g=image[row,col,1]#green
r=image[row,col,2]#red
image[row, col, 0] = clamp(b + s[0])
image[row, col, 1] = clamp(g + s[1])
image[row, col, 2] = clamp(r + s[2])
cv.imshow("gaussian_noise",image)
src = cv.imread("C:/Users/Administrator/Desktop/demo.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
t1=cv.getTickCount()
gaussian_noise(src)
t2=cv.getTickCount()
time=(t2-t1)/cv.getTickFrequency()
print("time consume:%s"%(time*1000))
#高斯模糊
#如果前面设置了值，后面的就不起作用
#dst=cv.GaussianBlur(src,(0,0),15)
dst=cv.GaussianBlur(src,(5,5),0)
#修改之后，输出图片没有那么模糊，说明高斯模糊对高斯噪声有抑制作用
cv.imshow("gaussian blur",dst)
cv.waitKey(0)
cv.destroyAllWindows()
print("Hi,python!")
