Добавление шума на изображение

В следующей части лабораторной работы необходимо добавить гуассовский шум к искаженному ранее изображению. Данную операцию получится провернуть и на Python, и на MATLAB. Однако, поскольку на MATLAB эта часть идет в качестве вариантов задания (т.е. код уже написан), то приведём описание функции, реализованной на Python. В таблице 4 представлен список используемых переменных, а в листинге 4 – программный код разработанной функции.

Таблица 4. Список используемых переменных.

Название	Тип	Описание
Gaussian_noise	Функция	Функция добавления шума
img	Двумерный массив	Исходное замыленное изображение
mean	Целое число	Среднее значение для шума
var	Дробное число	Дисперсия при создании шума
Noisy_image	Двумерный массив	Картинка с добавлением шума [0, 1]
Output	Двумерный массив	Нормированное изображение [0, 255]

Листинг 4. Функция добавления гауссовского шума на изображение.

# Функция добавления гауссовского шума

def gaussian_noise(img, mean=0, var=0.01):

noisy_image = random_noise(img, mode="gaussian", mean=mean, var=var)

max_J = np.max(noisy_image)

output = np.uint8((noisy_image / max_J) * 255)

return output

Для демонстрации результатов работы данной функции попробуем добавить к смазанной картинке гуассовский шум с параметрами: mean = 0, var = 0.001. Результирующее изображение с его спектром показано на рисунке 13, а на рисунке 14 – сравнение смазанной картинки без шума и с шумом.

Рисунок 13 – Добавление гауссовского шума

Рисунок 14 – Оценивание влияния шума на изображение

Как видно из рисунка 14, даже при таком значении дисперсии влияние шума на картинку настолько незначительно, что крайне трудно заметить его влияние. Данное значение дисперсии было выбрано затем, чтобы продемонстрировать влияние шума на изображение. Для последующих манипуляций по восстановлению изображения будет использоваться значение дисперсии равное 0,0001.

Восстановление изображения-2

Затем, необходимо повторить процедуру восстановления смазанного и зашумленного изображения. Как уже было выяснено ранее, поскольку данную операцию получится провести только при помощи MATLAB, то листинг программного кода уже был показан ранее в листинге 3.

Сперва попробуем восстановить изображение при помощи метода Винера. На рисунке 15 представлено восстановленное изображение с его спектром, а на рисунке 16 – оценивание результатов восстановления.

Рисунок 15 – Восстановление изображение методом Винера (noise_level = 0.01)

Рисунок 16 – Оценивание результатов восстановления изображения

При детальном осмотре изображения видно, что четкость изображения восстановлена, однако шумы на изображении по-прежнему остались. Для чистоты эксперимента, попробуем запустить процедуру восстановления с уровнем шума равным 0,1. Полученные результаты показаны на рисунках 17-18.

Рисунок 17 – Восстановление изображения методом Винера (noise_level = 0.1)

Рисунок 18 – Оценивание результатов восстановления изображения

При детальном осмотре изображения видно, что количество шумов на изображении значительно сократилось, однако сохранилась смазанность изображения.

Далее попробуем восстановить зашумленное изображение при помощи метода Тихонова. Сперва зададим уровень шума равным 0,01 и оценим результаты восстановления. Полученное изображение с его спектром представлено на рисунке 19, а на рисунке 20 – оценка результата восстановления.

Рисунок 19 – Восстановление изображения методом Тихонова (noise_level = 0.01)

Рисунок 20 – Оценивание результатов восстановления изображения

При детальном анализе полученного изображения видно, что хоть четкость изображения и восстановилась, однако появился «звенящий» шум на изображении. Для чистоты эксперимента, попробуем запустить процедуру восстановления с уровнем шума равным 0,1. Полученные результаты показаны на рисунках 21-22.

Рисунок 21 – Восстановление изображения методом Тихонова (noise_level = 0.1)

Рисунок 22 – Оценивание результатов восстановления изображения

При детальном анализе изображения видно, что хоть четкость изображения и незначительно повысилась, однако гауссовские шумы остались.