Python-OpenCV单通道加噪(cv2.split通道分离+skimage+cv2.merge通道合并)

单通道加噪声实现过程
代码流程

代码示范

图示

单通道加噪声实现过程

代码流程

使用opencv函数

split

，分割通道；

使用skimage的

random_noise

函数对某通道加噪声；

使用opencv函数

merge

，合并通道

代码示范

def addNoiseByChannel(img_path):
origin_img = cv2.imread(img_path)   # BGR
# 分割通道
(b, g, r) = cv2.split(origin_img)
# 或者只需要取某个单独通道
# b = cv2.split(origin_img)[0]
# g = cv2.split(origin_img)[1]
# g = cv2.split(origin_img)[2]

# add gaussian noise in channel blue only
b_noise_img = skimage.util.random_noise(b, mode='gaussian', seed=None, clip=True)
cv2.namedWindow('noise_img')
cv2.imshow('b',b)
cv2.imshow('b_noise_img',b_noise_img)
# 在 skimage.util.random_noise中, 图像将会被转换为float64类型的
# 因此在合并的时候，g和r通道的图像也应该转换为float64类型的，才能成功合并通道
g = skimage.util.img_as_float(g)
cv2.imshow('g',g)
r = skimage.util.img_as_float(r)
cv2.imshow('r',r)
# print b_noise_img.dtype, g.dtype, r.dtype
# 合并通道
noise_img = cv2.merge([b_noise_img, g, r])
cv2.imshow('noise_img',noise_img)
cv2.waitKey()
cv2.destroyAllWindows()

图示

原图：



2.分割通道后图像：

B：



G：



R：



3.b通道加上gaussian noise：



4.合并后 ：

原图对比：



合并后：



似乎看起来没什么不同，将合并后的图像，再把它的blue channel分割出来：

split_b_of_merge = cv2.split(noise_img)[0]

图示：



可以看出，在blue channel上确实加了噪声的！

另外，可以看出，cv2.split()函数分离得到各个通道的灰度值(单通道图像)。cv2.merge()函数是合并单通道成多通道（不能合并多个多通道图像）。而在cv2.split()分离出的图像基础上，扩展另外两个通道，但另外两个通道值为0, 就可以得到下面这样的图像。

代码如下：

origin_img = cv2.imread(img_path)   # BGR
(b, g, r) = cv2.split(origin_img)

zeros = np.zeros(origin_img.shape[:2], dtype = "uint8")
cv2.imshow("Blue", cv2.merge([b, zeros, zeros]))
cv2.imshow("Green", cv2.merge([zeros, g, zeros]))
cv2.imshow("Red", cv2.merge([zeros, zeros, r]))
cv2.waitKey()
cv2.destroyAllWindows()

​

Blue channel:



Green channel:



Red channel: