利用OpenCV给彩色图像添加椒盐噪声的方法

巷口听风

发布时间：2026-10-14 | 4人浏览过

原创

本文详细介绍如何使用OpenCV在C++和Python环境下为彩色图像添加椒盐噪声。文章首先解析图像噪声原理及椒盐噪声特征，随后提供完整的C++和Python实现代码，涵盖随机像素点生成黑白噪点的逻辑，并展示处理前后的图像对比效果。

一、图像噪声

图像噪声是指在图像获取或传输过程中，因随机信号干扰而产生的非预期信号，这会阻碍人们对图像内容的理解与分析。在技术处理中，图像常被视为随机过程，因此描述噪声的方法可借鉴随机过程的理论，即通过概率分布函数和概率密度分布函数来进行量化分析。图像噪声主要源于两个环节：一是图像采集时的环境条件及传感器自身质量；二是传输信道受到的噪声污染。

二、椒盐噪声

椒盐噪声是数字图像处理中极为常见的一种噪声类型，通常由图像传感器故障、传输信道问题或解码处理不当引起，表现为图像中随机出现的黑白相间亮暗点。这种噪声也常出现在图像切割过程中。椒盐噪声包含两种成分：“盐”噪声和“椒”噪声。“盐”噪声通常表现为高灰度值的白色像素，“椒”噪声则表现为低灰度值的黑色像素。当这两种噪声同时出现时，图像会呈现出黑白杂点的视觉效果。在图像处理中，去除椒盐噪声的常用有效方法是中值滤波。

三、C++代码


#include <opencv2\opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

//-----------------------------------椒盐噪声函数----------------------------------------------
void saltAndPepper(cv::Mat image, int n)
{
	for (int k = 0; k < n / 2; k++)
	{
		// 随机确定图像中添加椒盐噪声的位置
		int i, j;
		i = std::rand() % image.cols;       // 取余数运算，保证在图像的列数内 
		j = std::rand() % image.rows;       // 取余数运算，保证在图像的行数内 
		int write_black = std::rand() % 2;  // 判定为白色噪声还是黑色噪声的变量
		// 添加白色噪声
		if (write_black == 0)               
		{
			image.at<cv::Vec3b>(j, i)[0] = 255; //cv::Vec3b为opencv定义的一个3个值的向量类型  
			image.at<cv::Vec3b>(j, i)[1] = 255; //[]指定通道，B:0，G:1，R:2  
			image.at<cv::Vec3b>(j, i)[2] = 255;

		}
		// 添加黑色噪声
		else  
		{
			image.at<cv::Vec3b>(j, i)[0] = 0; //cv::Vec3b为opencv定义的一个3个值的向量类型  
			image.at<cv::Vec3b>(j, i)[1] = 0; //[]指定通道，B:0，G:1，R:2  
			image.at<cv::Vec3b>(j, i)[2] = 0;
		}
	}

}


int main()
{
	Mat lena = imread("qq.jpg");

	if (lena.empty())
	{
		cout << "请确认图像文件名称是否正确" << endl;
		return -1;
	}
	imshow("原图", lena);
	saltAndPepper(lena, 10000);       // 彩色图像添加椒盐噪声
	imshow("添加噪声", lena);

	waitKey(0);

	return 0;
}

四、结果展示

1、原图

2、添加椒盐噪声

五、python代码


import numpy as np
import cv2


def salt_pepper_noise(image, prob):
    """
    添加椒盐噪声
    :param image: 输入图像
    :param prob: 噪声比
    :return: 带有椒盐噪声的图像
    """
    salt = np.zeros(image.shape, np.uint8)
    thres = 1 - prob
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdn = np.random.rand()
            if rdn < prob:
                salt[i][j] = 0
            elif rdn > thres:
                salt[i][j] = 255
            else:
                salt[i][j] = image[i][j]
    return salt


src = cv2.imread('qq.jpg')
cv2.namedWindow('input_image', cv2.WINDOW_AUTOSIZE)
cv2.imshow('input_image', src)
tar = salt_pepper_noise(src, 0.01)
cv2.imshow('noise', tar)
cv2.waitKey(0)
cv2.destroyAllWindows()