一、为输入图像添加盐噪声（白色噪点）

def salt_noise(src, percetage):

    NoiseImg = copy(src)

    NoiseNum = int(percetage * src.shape * src.shape)

    for i in range(NoiseNum):

        randX = random.random_integers(0, src.shape - 1)

        randY = random.random_integers(0, src.shape - 1)

        NoiseImg[randX, randY] = 255

    return NoiseImg

这个函数 salt_noise(src, percentage) 的作用是向输入的图像 src 中添加盐噪声。具体来说，它会在图像中随机选取一定比例的像素点，并将这些像素点的数值设置为255（白色），从而模拟盐噪声的效果。

函数参数解释：

src: 输入的原始图像，即待添加噪声的图像。

percentage: 添加盐噪声的比例，即在图像中被修改为白色的像素点占总像素点数量的比例。

函数实现步骤：

复制输入的原始图像，以免修改原始图像。

计算需要添加盐噪声的像素点数量 NoiseNum，该数量由输入的百分比 percentage 与图像总像素点数量相乘得到。

使用循环遍历 NoiseNum 次，每次在图像中随机选择一个像素点，并将其像素值设为255（白色），从而添加盐噪声。

返回添加噪声后的图像 NoiseImg。

二、椒盐噪声

def pepper_salt_noise(src, percetage):

    NoiseImg = copy(src)

    NoiseNum = int(percetage * src.shape * src.shape)

    for i in range(NoiseNum):

        randX = random.random_integers(0, src.shape - 1)

        randY = random.random_integers(0, src.shape - 1)

        if random.random_integers(0, 1) <= 0.9:

            NoiseImg[randX, randY] = 0

        else:

            NoiseImg[randX, randY] = 255

    return NoiseImg

pepper_salt_noise(src, percentage) 的作用是向输入的图像 src 中添加椒盐噪声。椒盐噪声是一种同时包含盐（白色）和胡椒（黑色）噪声的图像噪声模型。

函数参数解释：

src: 输入的原始图像，即待添加噪声的图像。

percentage: 添加椒盐噪声的比例，即在图像中被修改为盐或胡椒颜色的像素点占总像素点数量的比例。

函数实现步骤：

复制输入的原始图像，以免修改原始图像。

计算需要添加椒盐噪声的像素点数量 NoiseNum，该数量由输入的百分比 percentage 与图像总像素点数量相乘得到。

使用循环遍历 NoiseNum 次，每次在图像中随机选择一个像素点，并根据概率决定将其像素值设为0（黑色）或255（白色），从而模拟椒盐噪声。

返回添加噪声后的图像 NoiseImg。

三、高斯噪声

def gasuss_noise(image, mean=0, var=0.001):

    image = np.array(image / 255, dtype=float)

    noise = np.random.normal(mean, var ** 0.5, image.shape)

    out = image + noise

    if out.min() < 0:

        low_clip = -1.

    else:

        low_clip = 0.

    out = np.clip(out, low_clip, 1.0)

    out = np.uint8(out * 255)

    return out

这段代码定义了一个名为 gauss_noise(image, mean=0, var=0.001) 的函数，用于向输入的图像添加高斯噪声。高斯噪声是一种常见的噪声类型，符合高斯分布。

函数参数解释：

image: 输入的原始图像。

mean: 高斯噪声的均值，默认为0。

var: 高斯噪声的方差，默认为0.001。

函数实现步骤：

将输入的图像转换为浮点数数组，范围从0到1。

使用 np.random.normal() 生成均值为 mean，方差为 var 的高斯噪声数组，与原始图像形状相同。

将生成的高斯噪声数组与原始图像相加，得到带有噪声的图像。

对输出进行裁剪，确保像素值范围在 [0, 1] 之间。

将处理后的图像乘以255并转换为无符号8位整数，以便正确显示图像。

import cv2

import random

import numpy as np

from numpy import *

from matplotlib import pyplot as plt

from copy import copy

def gasuss_noise(image, mean=0, var=0.001):

    image = np.array(image / 255, dtype=float)

    noise = np.random.normal(mean, var ** 0.5, image.shape)

    out = image + noise

    if out.min() < 0:

        low_clip = -1.

    else:

        low_clip = 0.

    out = np.clip(out, low_clip, 1.0)

    out = np.uint8(out * 255)

    return out

def salt_noise(src, percetage):

    NoiseImg = copy(src)

    NoiseNum = int(percetage * src.shape * src.shape)

    for i in range(NoiseNum):

        randX = random.random_integers(0, src.shape - 1)

        randY = random.random_integers(0, src.shape - 1)

        NoiseImg[randX, randY] = 255

    return NoiseImg

def pepper_salt_noise(src, percetage):

    NoiseImg = copy(src)

    NoiseNum = int(percetage * src.shape * src.shape)

    for i in range(NoiseNum):

        randX = random.random_integers(0, src.shape - 1)

        randY = random.random_integers(0, src.shape - 1)

        if random.random_integers(0, 1) <= 0.9:

            NoiseImg[randX, randY] = 0

        else:

            NoiseImg[randX, randY] = 255

    return NoiseImg

#

img = cv2.imread('../data/0001.jpg', 0)

img1 = gasuss_noise(img, 0.1, 0.02)

img2 = salt_noise(img, 0.1)

img3 = pepper_salt_noise(img, 0.2)

plt.subplot(221)

plt.imshow(img, cmap='gray')

plt.title('img')

plt.axis('off')

plt.subplot(222)

plt.imshow(img1, cmap='gray')

plt.title('img_gasuss_noise')

plt.axis('off')

plt.subplot(223)

plt.imshow(img2, cmap='gray')

plt.title('salt_noise')

plt.axis('off')

plt.subplot(224)

plt.imshow(img3, cmap='gray')

plt.title('pepper_salt_noise')

plt.axis('off')

plt.show()