参考文章：
https://blog.csdn.net/zhoufan900428/article/details/37695357
常见噪声：高斯噪声，椒盐噪声，泊松噪声，乘性噪声
高斯噪声
概率密度函数服从高斯分布的噪声。
产生原因：
1）图像传感器在拍摄时市场不够明亮、亮度不够均匀；
2）电路各元器件自身噪声和相互影响；
3）图像传感器长期工作，温度过高
泊松噪声
泊松噪声，就是符合泊松分布的噪声模型，泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数等等
乘性噪声
乘性噪声一般由信道不理想引起，它们与信号的关系是相乘，信号在它在，信号不在他也就不在。
椒盐噪声
椒盐噪声，椒盐噪声又称脉冲噪声，它随机改变一些像素值，是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。
椒盐噪声往往由图像切割引起。
瑞利噪声
瑞利噪声相比高斯噪声而言，其形状向右歪斜，这对于拟合某些歪斜直方图噪声很有用。
瑞利噪声的实现可以借由平均噪声来实现。其matlab实现如下：
a = -0.2;
b = 0.03;
n_rayleigh = a + (-b .* log(1 - rand(M,N))).^0.5;
伽马噪声
伽马噪声的分布，服从了伽马曲线的分布。伽马噪声的实现，需要使用b个服从指数分布的噪声叠加而来。指数分布的噪声，可以使用均匀分布来实现。（b=1时为指数噪声，b>1时通过若干个指数噪声叠加，得到伽马噪声）
a = 25;
b = 3;
n_Erlang = zeros(M,N);
for j=1:b
n_Erlang = n_Erlang + (-1/a)*log(1 - rand(M,N));
end
均匀噪声
使用python的skimage.util.random_noise(image, mode=‘gaussian’, seed=None, clip=True, **kwargs)来添加噪声
1.先安装必要的依赖库：
numpy , scipy , matpoltlib
2.安装scikit-image
pip install scikit-image
3.导入util库
import skimage
from skimage import util
4.函数介绍
def
random_noise
(
image
,
mode
=
'gaussian'
,
seed
=
None
,
clip
=
True
,
**
kwargs
)
:
功能：为浮点型图片添加各种随机噪声
参数：
image：输入图片（将会被转换成浮点型），ndarray型
mode： 可选择，
str
型，表示要添加的噪声类型
gaussian：高斯噪声
localvar：高斯分布的加性噪声，在“图像”的每个点处具有指定的局部方差。
poisson：泊松再生
salt：盐噪声，随机将像素值变成
1
pepper：椒噪声，随机将像素值变成
0
或
-
1
，取决于矩阵的值是否带符号
s
&
p：椒盐噪声
speckle：均匀噪声（均值mean方差variance），out
=
image
+
n
*
image
seed： 可选的，
int
型，如果选择的话，在生成噪声前会先设置随机种子以避免伪随机
clip： 可选的，
bool
型，如果是
True
，在添加均值，泊松以及高斯噪声后，会将图片的数据裁剪到合适范围内。如果谁
False
，则输出矩阵的值可能会超出
[
-
1
,
1
]
mean： 可选的，
float
型，高斯噪声和均值噪声中的mean参数，默认值
=
0
var： 可选的，
float
型，高斯噪声和均值噪声中的方差，默认值
=
0.01
（注：不是标准差）
local_vars：可选的，ndarry型，用于定义每个像素点的局部方差，在localvar中使用
amount： 可选的，
float
型，是椒盐噪声所占比例，默认值
=
0.05
salt_vs_pepper：可选的，
float
型，椒盐噪声中椒盐比例，值越大表示盐噪声越多，默认值
=
0.5
，即椒盐等量
-
-
-
-
-
-
-
-
返回值：ndarry型，且值在
[
0
,
1
]
或者
[
-
1
,
1
]
之间，取决于是否是有符号数
-
-
-
-
-
-
-
注意：略（见源码）
python中的**kwargs是什么？
https://www.jianshu.com/p/037b6ea516f1这个讲的也很标准（关于位置参数，默认参数，非键值可变参数，键值可变参数）
*args
和
**kwargs
称为“可变参数”，主要用与与函数定义，它们表示你可以将多个参数传递给这个函数。
这个“多个”的含义是，预先不知道会传递多少个（由于有些函数的mode参数不用，后边跟的参数数量也随之不同），上边的添加噪声函数就是个很好例子，有的噪声不需要均值方差，有的需要。
*args
是用来发一个非键值对的可变数量的参数列表给一个函数，例如
def
test_var_args
(
f_arg
,
*
argv
)
:
print
(
"first normal arg:"
,
f_arg
)
for
arg
in
argv
:
print
(
"another arg through *argv:"
,
arg
)
test_var_args
(
'yasoob'
,
'python'
,
'eggs'
,
'test'
)
输出如下
first normal arg
:
yasoob
another arg through
*
argv
:
python
another arg through
*
argv
:
eggs
another arg through
*
argv
:
test
这说明后边的多个参数会被放进一个名为argv的列表中，而函数内部通过这个列表使用这些参数
**kwargs
允许将一个不定长度的键值对，作为参数传递给函数，如果需要在一个函数中处理带名字的参数，就需要用到kwargs（意思就是kwarg代表很多有名字的参数），例如
def
test_args_kwargs
(
arg1
,
arg2
,
arg3
)
:
print
(
"arg1:"
,
arg1
)
print
(
"arg2:"
,
arg2
)
print
(
"arg3:"
,
arg3
)
分别使用*args和**kwargs来给函数传递参数
>>
>
args
=
(
"two"
,
3
,
5
)
>>
>
test_args_kwargs
(
*
args
)
arg1
:
two
arg2
:
3
arg3
:
5
>>
>
kwargs
=
{
"arg3"
:
3
,
"arg2"
:
"two"
,
"arg1"
:
5
}
>>
>
test_args_kwargs
(
**
kwargs
)
arg1
:
5
arg2
:
two
arg3
:
3
注意到，kwargs传递必须是键值对传递，而args只需要顺序传递进去即可
一个批量添加噪声的python代码
import
cv2
import
os
import
numpy
as
np
from
PIL
import
Image
from
skimage
import
util
#批处理
path
=
'F:/0.MaskRCNN(3 times)/hook_data/Mask/test3'
#图片文件夹路径
image_names
=
os
.
listdir
(
path
)
#列举path下所有文件和文件夹名称（返回一个list）
save_dir
=
os
.
path
.
join
(
path
,
'speckle(0,0.1)_test03'
)
#我的文件夹名称
os
.
mkdir
(
save_dir
)
for
image_name
in
image_names
:
if
(
image_name
.
endswith
(
'.jpg'
)
)
:
img
=
Image
.
open
(
os
.
path
.
join
(
path
,
image_name
)
)
img
=
np
.
array
(
img
)
noise_gs_img
=
util
.
random_noise
(
img
,
mode
=
'speckle'
)
noise_gs_img
=
noise_gs_img
*
255
#由于输出是[0，1]的浮点型，先转成灰度图（我的输入就是灰度图）
noise_gs_img
=
noise_gs_img
.
astype
(
np
.
int
)
#再变成整型数组
cv2
.
imwrite
(
os
.
path
.
join
(
save_dir
,
image_name
)
,
noise_gs_img
)
#保存到新建的文件夹
