基于Python美化图片亮度和噪点

news2024/11/20 14:22:05

支持添加噪点类型包括：添加高斯噪点、添加椒盐噪点、添加波动噪点、添加泊松噪点、添加周期性噪点、添加斑点噪点、添加相位噪点，还提供清除噪点的功能。

我们先看一下实测效果：（test.jpg为原图，new.jpg为添加后的图片）

测试添加椒盐噪点

测试添加波动噪点

测试添加高斯噪点

针对上面刚生成的添加了30高斯噪点的图片，测试清理噪点的效果

这里清除噪点采用的是中值滤波器，其实还有很多其他类型的滤波器，各有其优势和适用场景。

效果还是有的，但是我在测使处理斑点噪点时效果不理想，因此这个噪点清除主要还是用于原图的一个处理优化，用于人为严重的噪点处理起来效果不太好。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

下面介绍一下上述七种类型的噪点生成的方法和去除噪点的原理：

高斯噪点（选项1）

方法：通过在每个像素的颜色通道上添加服从正态分布的随机数，模拟真实场景中的随机噪点。
参数：强度（intensity）表示添加的噪点的强度，即随机数的标准差。


椒盐噪点（选项2）

方法：在图像中随机选择像素，并将其设置为黑色或白色，模拟图像中的椒盐噪点。
参数：密度（density）表示椒盐噪点的比例，即在图像中设置为黑色或白色的像素的比例。


波动噪点（选项3）

方法：在每个像素的颜色通道上添加从均匀分布中随机选择的整数，模拟图像中的波动噪点。
参数：强度（intensity）表示添加的波动噪点的强度，即随机整数的范围。


泊松噪点（选项4）

方法：使用泊松分布生成噪点，模拟一些自然场景中的光子计数的泊松分布。
参数：泊松噪点无需用户指定参数。


周期性噪点（选项5）

方法：在图像中添加具有特定频率的正弦波噪点，模拟周期性干扰。
参数：频率（frequency）表示添加的正弦波噪点的频率。


斑点噪点（选项6）

方法：在图像中随机选择位置，并将其设置为具有随机颜色的斑点，模拟斑点噪点。
参数：密度（density）表示斑点噪点的比例，即在图像中设置为斑点的像素的比例。


相位噪点（选项7）

方法：在图像的相位上引入随机值，模拟相位噪点。
参数：强度（intensity）表示添加的相位噪点的强度，即在相位上引入的随机值的范围。


清除噪点（选项8）

方法：使用中值滤波器去除图像中的噪点。
参数：清除噪点无需指定参数。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

对于亮度各位可以自行设置，我代码里给的是20，关于亮度设置的一些建议：

风景照片：10到20之间

一幅风景照片可能在稍微提高亮度后更加清晰和宜人。


人物照片：5到15之间

对于人物照片，适度的亮度提升可能会使面部特征更加清晰，但不要过分。


黑白照片：0到10之间。
在黑白照片中，适度的亮度提升可以改善整体对比度。


艺术照片：-10到10之间。

对于一些艺术性质的照片，可以尝试一些负值，以产生一些有趣的阴影效果。


室内照片：5到15之间。
室内照片可能因光线不足而显得较暗，轻微提升亮度可以改善整体亮度。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

下面附上源码：（其中图片所在路径以及生成图片放置路径改成自己的即可）

from PIL import Image, ImageFilter
import numpy as np
from typing import Tuple


def change_brightness(img: Image, level: float) -> Image:
    """
    调整 PIL 图像的亮度到指定水平。
    """

    def brightness(c: int) -> float:
        """
        对每个位执行的基本变换/操作。
        """
        return 128 + level + (c - 128)

    if not -50.0 <= level <= 50.0:
        raise ValueError("亮度水平必须在 -50.0 到 50.0 之间")
    return img.point(brightness)


def add_gaussian_noise(img: Image, intensity: float) -> Image:
    """
    向 PIL 图像添加高斯噪点。
    """
    if not 0.0 <= intensity <= 30.0:
        raise ValueError("高斯噪点强度必须在 0.0 到 30.0 之间")

    np_img = np.array(img)
    noise = np.random.normal(scale=intensity, size=np_img.shape)
    noisy_img = np_img + noise
    noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8)
    return Image.fromarray(noisy_img)


def add_salt_and_pepper_noise(img: Image, density: float) -> Image:
    """
    向 PIL 图像添加椒盐噪点。
    """
    if not 0.0 <= density <= 1.0:
        raise ValueError("椒盐噪点密度必须在 0.0 到 1.0 之间")

    np_img = np.array(img)
    salt_and_pepper = np.random.rand(*np_img.shape[:2])

    noisy_img = np_img.copy()
    noisy_img[salt_and_pepper < density / 2] = 0
    noisy_img[salt_and_pepper > (1 - density / 2)] = 255

    return Image.fromarray(noisy_img)


def add_random_noise(img: Image, intensity: float) -> Image:
    """
    向 PIL 图像添加波动噪点。
    """
    if not 0.0 <= intensity <= 30.0:
        raise ValueError("波动噪点强度必须在 0.0 到 30.0 之间")

    np_img = np.array(img)
    noise = np.random.randint(-intensity, intensity + 1, size=np_img.shape)
    noisy_img = np_img + noise
    noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8)
    return Image.fromarray(noisy_img)


def add_poisson_noise(img: Image) -> Image:
    """
    向 PIL 图像添加泊松噪点。
    """
    np_img = np.array(img)
    noisy_img = np.random.poisson(np_img)
    noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8)
    return Image.fromarray(noisy_img)


def add_periodic_noise(img: Image, frequency: float) -> Image:
    """
    向 PIL 图像添加周期性噪点。
    """
    if not 0.0 <= frequency <= 0.5:
        raise ValueError("周期性噪点频率必须在 0.0 到 0.5 之间")

    np_img = np.array(img)
    rows, cols, _ = np_img.shape
    x = np.arange(cols)
    y = np.arange(rows)
    X, Y = np.meshgrid(x, y)
    noise = np.sin(2 * np.pi * frequency * X / cols) + np.sin(2 * np.pi * frequency * Y / rows)
    noisy_img = np_img + 30 * noise[:, :, np.newaxis]
    noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8)
    return Image.fromarray(noisy_img)


def add_spotty_noise(img: Image, density: float) -> Image:
    """
    向 PIL 图像添加斑点噪点。
    """
    if not 0.0 <= density <= 1.0:
        raise ValueError("斑点噪点密度必须在 0.0 到 1.0 之间")

    np_img = np.array(img)
    spotty = np.random.rand(*np_img.shape[:2])

    noisy_img = np_img.copy()
    noise = np.random.randint(0, 256, size=(np_img.shape[0], np_img.shape[1], 3))
    noisy_img[spotty < density] = noise[spotty < density]

    return Image.fromarray(noisy_img)


def add_phase_noise(img: Image, intensity: float) -> Image:
    """
    向 PIL 图像添加相位噪点。
    """
    if not 0.0 <= intensity <= 30.0:
        raise ValueError("相位噪点强度必须在 0.0 到 30.0 之间")

    np_img = np.array(img)
    phase = np.random.uniform(-intensity, intensity, size=np_img.shape[:2])
    noisy_img = np_img * np.exp(1j * phase[:, :, np.newaxis])
    noisy_img = np.abs(noisy_img).astype(np.uint8)

    return Image.fromarray(noisy_img)


def remove_noise(img: Image) -> Image:
    """
    清除 PIL 图像中的所有噪点。
    """
    return img.filter(ImageFilter.MedianFilter(size=3))


if __name__ == "__main__":
    # 加载图像
    image_path = "D:/swctf/image/test.jpg"
    with Image.open(image_path) as img:
        # 将亮度调整为20
        bright_img = change_brightness(img, 20)

        # 用户选择操作类型
        print("选择操作类型:")
        print("1: 添加高斯噪点")
        print("2: 添加椒盐噪点")
        print("3: 添加波动噪点")
        print("4: 添加泊松噪点")
        print("5: 添加周期性噪点")
        print("6: 添加斑点噪点")
        print("7: 添加相位噪点")
        print("8: 清除噪点")
        operation_type = input("请输入选项数字: ")

        # 根据操作类型明确输入范围和类型
        if operation_type == "1":
            intensity = float(input("请输入高斯噪点强度（0.0 到 30.0）: "))
            processed_img = add_gaussian_noise(bright_img, intensity)
        elif operation_type == "2":
            intensity = float(input("请输入椒盐噪点密度（0.0 到 1.0）: "))
            processed_img = add_salt_and_pepper_noise(bright_img, intensity)
        elif operation_type == "3":
            intensity = float(input("请输入波动噪点强度（0.0 到 30.0）: "))
            processed_img = add_random_noise(bright_img, intensity)
        elif operation_type == "4":
            processed_img = add_poisson_noise(bright_img)
        elif operation_type == "5":
            frequency = float(input("请输入周期性噪点频率（0.0 到 0.5）: "))
            processed_img = add_periodic_noise(bright_img, frequency)
        elif operation_type == "6":
            density = float(input("请输入斑点噪点密度（0.0 到 1.0）: "))
            processed_img = add_spotty_noise(bright_img, density)
        elif operation_type == "7":
            intensity = float(input("请输入相位噪点强度（0.0 到 30.0）: "))
            processed_img = add_phase_noise(bright_img, intensity)
        elif operation_type == "8":
            processed_img = remove_noise(bright_img)
        else:
            raise ValueError("不支持的操作类型")

        # 保存处理后的图像
        output_path = "D:/swctf/image/new.jpg"
        processed_img.save(output_path, format="jpeg")
        print(f"处理后的图像已保存至: {output_path}")

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1203996.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Oracle 11g安装教程

Oracle 11g安装教程

下载并安装Oracle数据库 首先&#xff0c;需要到Oracle官方网站下载Oracle数据库&#xff0c;在这里我们将下载Oracle 11g第2版的Microsoft Windows(x64)版本。由于安装文件过大&#xff0c;可以分两个文件下载或一次性下载&#xff0c;如下图所示 下载完成后&#xff0c;将下…
阅读更多...
找工作在哪个app找比较真实可靠

找工作在哪个app找比较真实可靠

吉鹿力招聘网是一款找工作比较真实靠谱的app。吉鹿力招聘网是一个新兴的人脉社交招聘平台&#xff0c;靠谱而且需求明确&#xff0c;可以依靠自己或者身边朋友推荐。在吉鹿力招聘网上可以有很多前辈的职场分享和行业八卦&#xff0c;对于刚毕业的大学生而言&#xff0c;很有参考…
阅读更多...
Nginx的安装

Nginx的安装

Nginx的安装 Windows下Nginx的安装 1、下载nginx 下载稳定版本: http://nginx.org/en/download.html 直接下载 nginx-1.20.0.zip : http://nginx.org/download/nginx-1.20.0.zip 下载后解压&#xff0c;解压后如下&#xff1a; 2、启动Nginx 有很多种方法启动nginx (…
阅读更多...
Python实现WOA智能鲸鱼优化算法优化卷积神经网络回归模型(CNN回归算法)项目实战

Python实现WOA智能鲸鱼优化算法优化卷积神经网络回归模型(CNN回归算法)项目实战

说明&#xff1a;这是一个机器学习实战项目&#xff08;附带数据代码文档视频讲解&#xff09;&#xff0c;如需数据代码文档视频讲解可以直接到文章最后获取。 1.项目背景 鲸鱼优化算法 (whale optimization algorithm,WOA)是 2016 年由澳大利亚格里菲斯大学的Mirjalili 等提…
阅读更多...
网络运维Day12

网络运维Day12

文章目录 yum概述部署阿里镜像源yum基本使用 NFS网络文件系统NFS共享概述部署NFS服务端部署NFS客户端 Tomcat服务实验拓扑安装Tomcat启动服务客户端&#xff08;真机&#xff09;浏览访问页面测试 Tomcat虚拟主机NGINX服务web服务器对比NGINX简介实验拓扑虚拟机A源码编译安装NG…
阅读更多...
【08】DestinationRule 高级配置功能

【08】DestinationRule 高级配置功能

6.2 loadbalancer 定义demoapp v1.0和demoapp v1.1版本和subset的dr规则。参考weight中定义&#xff1b; 定义loadbalance在DestinationRule上定义规则 apiVersion: networking.istio.io/v1beta1 kind: DestinationRule metadata:name: demoapp spec:host: demoapptrafficPoli…
阅读更多...
堆排序（小根堆模板）

堆排序（小根堆模板）

输入一个长度为 n 的整数数列&#xff0c;从小到大输出前 m 小的数。 输入格式 第一行包含整数 n 和 m。 第二行包含 n 个整数&#xff0c;表示整数数列。 输出格式 共一行&#xff0c;包含 m 个整数&#xff0c;表示整数数列中前 m 小的数。 数据范围 1≤m≤n≤10^5&am…
阅读更多...
找工作什么平台最可靠

找工作什么平台最可靠

吉鹿力招聘网是最可靠的找工作平台。可以直接和HR沟通岗位情况&#xff0c;方便快捷。同时&#xff0c;吉鹿力招聘网还有一些其他功能&#xff0c;比如可以找到更精准的人才&#xff0c;以及专业的招聘网站&#xff0c;可以帮助求职者找到合适的职位。吉鹿力招聘网还有一个特点…
阅读更多...
项目应用多数据源动态切换（动态切换数据库连接）

项目应用多数据源动态切换（动态切换数据库连接）

文章目录 前言准备阶段具体配置功能展示注解方式切换数据源代码方式切换数据源优化方式 动态添加删除数据源事务问题参考文章 前言 最近公司的权限项目要实现多租户的功能&#xff0c;于是就要做数据隔离以确保每个租户的数据的安全性&#xff0c;但是项目中也要动态的提供能够…
阅读更多...
Unity性能优化分析篇

Unity性能优化分析篇

性能优化是游戏项目开发中一个重要环节。游戏帧率过低&#xff0c;手机发烫&#xff0c; 包体太大&#xff0c;低端机上跑不起来等, 这些都需要来做优化&#xff0c;不管过去&#xff0c;现在&#xff0c;未来&#xff0c;性能优化都是永恒的话题。 而性能优化首先要掌握的是性…
阅读更多...
对话金山云高级副总裁刘涛 | 做大模型公司的助力者

对话金山云高级副总裁刘涛 | 做大模型公司的助力者

“ AIGC的应用化阶段将很快到来&#xff1b;AGI&#xff0c;已步入助手阶段。” 口述 | 刘涛 整理 | 梦婕&云舒 出品&#xff5c;极新 在10月的最后一天&#xff0c;极新有幸采访到了金山云高级副总裁刘涛。我们深入探讨了“云计算逐鹿 AIGC”的话题。作为中国公有云互…
阅读更多...
Opentracing概念介绍——Span

Opentracing概念介绍——Span

文章首发公众号&#xff1a;海天二路搬砖工 引言 作为分布式跟踪系统的标准化API&#xff0c;OpenTracing提供了一种通用的方式来追踪和分析分布式系统中的请求和操作。 在Opentracing中&#xff0c;Span是基本的跟踪单元&#xff0c;用于描述在分布式系统中的一个操作或事件…
阅读更多...
csdn2023必看系列：最牛最全面的JMeter实现接口自动化测试教程

csdn2023必看系列：最牛最全面的JMeter实现接口自动化测试教程

【文章末尾给大家留下了大量的福利哦】 一、JMETER的环境搭建 参考&#xff1a;https://www.cnblogs.com/qmfsun/p/4902534.html 二、JMETER的汉化 临时汉化方法&#xff1a;打开jmeter&#xff0c;options-->choose language-->选择语言 可以根据自己的需要选择简体…
阅读更多...
【Python小程序】浮点矩阵加减法

【Python小程序】浮点矩阵加减法

一、内容简介 本文使用Python编写程序&#xff0c;实现2个m * n矩阵的加、减法。具体过程如下&#xff1a; 给定两个m*n矩阵A和B&#xff0c;返回A与B的和或差。 二、求解方法 将两个矩阵对应位置上的元素相加。 三、Python代码 import numpy as np# 用户输入两个矩阵的维…
阅读更多...
Leetcode—67.二进制求和【简单】

Leetcode—67.二进制求和【简单】

2023每日刷题&#xff08;二十八&#xff09; Leetcode—67.二进制求和 实现代码 void reverse(char *a, int len) {for(int i 0; i < len / 2; i) {char tmp a[i];a[i] a[len - 1 - i];a[len - 1 - i] tmp;} }char* addBinary(char* a, char* b) {int len1 strlen(a…
阅读更多...
微信小程序：仅前端实现对象数组的模糊查询

微信小程序：仅前端实现对象数组的模糊查询

效果 核心代码 //对数组进行过滤&#xff0c;返回数组中每一想满足name值包括变量query的 let result array.filter(item > { return item.name.includes(query); }); 完整代码 wxml <input type"text" placeholder"请输入名称" placeholder-styl…
阅读更多...
YOLO目标检测——番茄数据集下载分享【含对应voc、coco和yolo三种格式标签】

YOLO目标检测——番茄数据集下载分享【含对应voc、coco和yolo三种格式标签】

实际项目应用&#xff1a;番茄检测数据集说明&#xff1a;番茄目标检测数据集&#xff0c;真实场景的高质量图片数据&#xff0c;数据场景丰富标签说明&#xff1a;使用lableimg标注软件标注&#xff0c;标注框质量高&#xff0c;含voc(xml)、coco(json)和yolo(txt)三种格式标签…
阅读更多...
YashanDB服务端个人版安装部署

YashanDB服务端个人版安装部署

介绍 崖山数据库系统YashanDB是深圳计算科学研究院完全自主研发设计的新型数据库系统&#xff0c;融入原创理论&#xff0c;支持单机/主备、共享集群、分布式等多种部署方式&#xff0c;覆盖OLTP/HTAP/OLAP交易和分析混合负载场景&#xff0c;为客户提供一站式的企业级融合数据…
阅读更多...
2023年11月最新视频号下载提取工具？

2023年11月最新视频号下载提取工具？

视频号下载提取器教程&#xff1a; 1. 首先&#xff0c;在微信客户端中搜索并添加"下载小助手儿"并关注获取推送的消息。然后添加视频下载助手为好友&#xff0c;可以帮助你解析视频号链接。 2. 打开微信&#xff0c;并找到你想要提取链接的视频号。进入该视频页面后…
阅读更多...
YOLO目标检测——红花数据集下载分享【含对应voc、coco和yolo三种格式标签】

YOLO目标检测——红花数据集下载分享【含对应voc、coco和yolo三种格式标签】

实际项目应用&#xff1a;红花检测数据集可以用于监测和分析红花的生长情况&#xff0c;包括生长速度、叶面积、花朵数量等&#xff0c;为农民提供精确的决策支持&#xff0c;以提高红花产量和品质。数据集说明&#xff1a;红花检测数据集&#xff0c;真实场景的高质量图片数据…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023