一、高斯噪声

高斯分布，也称正态分布，又称常态分布，记为N ( μ ， σ 2 ) N(μ，σ^2)N(μ，σ2) ，其中μ ， σ 2 μ，σ^2μ，σ2为分布的参数，分别为高斯分布的期望和方差。当有确定值时，p ( x ) p(x)p(x)也就确定了，特别当μ = 0 μ=0μ=0，σ 2 = 1 σ^2=1σ2=1时，X XX的分布为标准正态分布。所谓高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。区别于椒盐噪声随机出现在图像的任意位置，高斯噪声出现在图像的所有位置。

二、C++代码

#include <opencv2\opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
	Mat img = imread("qq.jpg");
	
	if (img.empty())
	{
		cout << "请确认图像文件名称是否正确" << endl;
		return -1;
	}
	//生成与原图像同尺寸、数据类型和通道数的矩阵
	Mat img_noise = Mat::zeros(img.rows, img.cols, img.type());
	imshow("lena原图", img);
	RNG rng;                                   //创建一个RNG类
	rng.fill(img_noise, RNG::NORMAL, 10, 20);  //生成三通道的高斯分布随机数（10，20）表示均值和标准差
	imshow("三通道高斯噪声", img_noise);
	img = img + img_noise;                     //在彩色图像中添加高斯噪声 
	imwrite("gauss_noise.png", img);
	imshow("img添加噪声", img);                //显示添加高斯噪声后的图像
	waitKey(0);
	return 0;
}

三、python代码

import numpy as np
import cv2
def gasuss_noise(image, mu=0.0, sigma=0.1):
    """ 添加高斯噪声 :param image: 输入的图像 :param mu: 均值 :param sigma: 标准差 :return: 含有高斯噪声的图像 """
    image = np.array(image / 255, dtype=float)
    noise = np.random.normal(mu, sigma, image.shape)
    gauss_noise = image + noise
    if gauss_noise.min() < 0:
        low_clip = -1.
    else:
        low_clip = 0.
    gauss_noise = np.clip(gauss_noise, low_clip, 1.0)
    gauss_noise = np.uint8(gauss_noise * 255)
    return gauss_noise
if __name__ == '__main__':
    # ----------------------读取图片-----------------------------
    img = cv2.imread("qq.jpg")
    # --------------------添加高斯噪声---------------------------
    out2 = gasuss_noise(img, mu=0.0, sigma=0.1)
    # ----------------------显示结果-----------------------------
    cv2.imshow('origion_pic', img)
    cv2.imshow('gauss_noise', out2)
    cv2.waitKey(0)

四、结果展示

1、原始图像

2、添加高斯噪声