Python 向图像添加泊松噪声

我有一些图像，我需要增加泊松噪声的增量，以便更彻底地分析它们。我知道你可以在MATLAB中实现这一点，但是你如何在Python中实现这一点呢？到目前为止，搜索没有产生任何结果。

如果您可以使用numpy/scipy，那么以下内容应该会有所帮助。我建议您将数组强制转换为float进行中间计算，然后再强制转换回uint8进行输出/显示。由于poisson noise都>=0，您将需要决定在返回uint8时如何处理数组溢出。您可以根据您的目标进行缩放或截断

filename = 'myimage.png'
imagea = (scipy.misc.imread(filename)).astype(float)

poissonNoise = numpy.random.poisson(imagea).astype(float)

noisyImage = imagea + poissonNoise

#here care must be taken to re cast the result to uint8 if needed or scale to 0-1 etc...

---

事实上，保罗的回答毫无意义

泊松噪声与信号有关！通过使用他提供的这些命令，后来添加到图像中的噪声与信号无关

要使其依赖于信号，应将图像传递给NumPy的泊松函数：

filename = 'myimage.png'
img = (scipy.misc.imread(filename)).astype(float)

noise_mask = numpy.random.poisson(img)

noisy_img = img + noise_mask

---

赫尔德的回答是正确的。我只想补充一个事实，泊松噪声不是加性的，你不能把它加为高斯噪声

根据您想要实现的目标，以下是一些建议：

• 模拟一个低光噪声图像（如果峰值=1，它将非常噪声）

• 在干净图像的顶部添加噪波层

  import numpy as np
  image = read_image("YOUR_IMAGE") 
  noisemap = create_noisemap() 
  noisy = image + np.random.poisson(noisemap)  
  

然后，如果愿意，您可以将结果裁剪为0-255（我使用PIL，所以我使用255而不是1）

您可以使用：

从skimage.util导入随机噪声
噪声=随机噪声（img，mode=“泊松”）

来自本标准第1.4.4项“泊松分布的高斯近似”：

对于较大的平均值，泊松分布由高斯分布很好地近似，平均值和方差等于泊松随机变量的平均值：

p（μ）≈ N（μ，μ）

然后，我们可以从正态分布N（0,1）生成泊松噪声，用μ的平方根缩放其标准偏差，并将其添加到图像中，即μ值：

# Image size
M, N = 1000, 1000

# Generate synthetic image
image = np.tile(np.arange(0,N,dtype='float64'),(M,1)) * 20

# -- sqrt(mu) * normal(0,1) --
poisson_noise = np.sqrt(image) * np.random.normal(0, 1, image.shape)

# Add the noise to the mu values
noisy_image = image + poisson_noise

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plt.title('Image')
plt.imshow(image,'gray')
plt.subplot(2,2,2)
plt.title('Noisy image noise')
plt.imshow(noisy_image,'gray')  
plt.subplot(2,2,3)
plt.title('Image profile')
plt.plot(image[0,:])
plt.subplot(2,2,4)
plt.title('Noisy image profile')
plt.plot(noisy_image[0,:])

print("Synthetic image mean: {}".format(image[:,1].mean()))
print("Synthetic image variance: {}".format(image[:,1].var()))    
print("Noisy image mean: {}".format(noisy_image[:,1].mean()))
print("Noisy image variance: {}".format(noisy_image[:,1].var()))

由于泊松噪声与信号有关，随着基础信号的增加，噪声方差也会增加，正如我们在这一行中所看到的：

单列统计数据的输出：

合成图像平均值：20.0

合成图像方差：0.0

噪声图像平均值：19.931120555821597

噪声图像方差：19.39456713877459

---

更多参考资料：[]

您的回答有道理。但是你如何处理这导致的饱和度呢？嗯，在这种情况下，你必须自己处理饱和度，将负值设置为0，并将图像位数的最大值设置为大于该值的值。谢谢。我通过饱和顶部5%的像素来处理它。难道没有内部和外部的泊松分布噪声源吗？我不认为泊松噪声像高斯噪声一样是加性的。请参考@yuxiang.li的答案。泊松分布生成整数。如果图像是一个范围为[0,1]的np.float数组，正确的代码应该是

noise=np.random.poisson（image*255.0*PEAK）/PEAK/255

在这种情况下什么是

create\u noisemap

什么是

create\u noisemap

…？答案已经纠正，但仍然被否决，这很令人困惑。。。Stackoverflow肯定需要重新放大。我确实尝试解决了最初对downvote@6infinity8的担忧，因为这是我想跟上时代并解决任何担忧的事情。我对泊松函数的使用最初是关闭的，但现在已经修复了。很高兴你注意到了。当然，谢谢你纠正它！我只是对stackoverflow感到不安，他们的系统只是让试图理解的人更加困惑。

# Image size
M, N = 1000, 1000

# Generate synthetic image
image = np.tile(np.arange(0,N,dtype='float64'),(M,1)) * 20

# -- sqrt(mu) * normal(0,1) --
poisson_noise = np.sqrt(image) * np.random.normal(0, 1, image.shape)

# Add the noise to the mu values
noisy_image = image + poisson_noise

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plt.title('Image')
plt.imshow(image,'gray')
plt.subplot(2,2,2)
plt.title('Noisy image noise')
plt.imshow(noisy_image,'gray')  
plt.subplot(2,2,3)
plt.title('Image profile')
plt.plot(image[0,:])
plt.subplot(2,2,4)
plt.title('Noisy image profile')
plt.plot(noisy_image[0,:])

print("Synthetic image mean: {}".format(image[:,1].mean()))
print("Synthetic image variance: {}".format(image[:,1].var()))    
print("Noisy image mean: {}".format(noisy_image[:,1].mean()))
print("Noisy image variance: {}".format(noisy_image[:,1].var()))