A zajt önálló képként állítjuk elő, képpontonként megfelelő eloszlású és paraméterű véletlelen számként.

Nagyon figyeljünk arra, hogy a zaj kép esetén pozitív és negatív értékek is előfordulhatnak! Ehhez megfelelő előjeles egész, vagy lebegőpontos típust kell választanunk! További probléma, hogy a véletlenszám-generáló függvények nem veszik figyelembe a csatornák számát, ha több is van, akkor is csak a legelsőt töltik ki! Emiatt eleve célszerű lehet a zajkép mátrix méretét egycsatornásként létrehozni. Például:

noise = np.zeros(img.shape[:2], np.int16)

Egyenletes eloszlású zaj képet a cv2.randu() függvénnyel készíthetünk, megadott minimum és maximum értékek között (a példában [-10, 10]). Első paraméterként át kell adni egy már létező képmátrixot.

cv2.randu(noise, -10.0, 10.0)

Normál eloszlású zajt pedig a cv2.randn() függvénnyel, várható érték és szórás megadásával. A várható érték rendszerint 0.0, a szórás értékkel tudjuk szabályozni a zajterhelés erősségét. Itt is szükséges a képmátrix előzetes létrehozása.

cv2.randn(noise, 0.0, 20.0)

Additív zajt a képhez a mátrixok összeadásával adhatunk. Itt is fontos az eredmény típusának pontos megválasztása!

imnoise1 = cv2.add(img, noise, dtype=cv2.CV_8UC1)

vagy

imnoise2 = cv2.add(img, noise, dtype=cv2.CV_16SC1)

Fontos!

Lényeges különbség van az imnoise1 és az imnoise2 képmátrixok között! Az első esetben az eredmény típusa eleve 8 bites, előjel nélküli egész, így a nullánál kisebb, és a 255-nél nagyobb intenzitásértékek csonkolódnak 0 és 255 értékekre. Az imnoise2 típusa 16 bites előjeles egész, vagyis egy [0, 255] intenzitástartományú kép esetén a zajterheléssel negatív, valamint 255-nél nagyobb intenzitásértékek is ki fognak alakulni.

Melyik megközelítést válasszuk?

Gondoljuk át, az adott probléma esetén melyik közelíti jobban a valós zajterhelést?

Egyszerűbb a munka, és a valóságot is jól közelíti az első megközelítés: a mért, folytonos szenzor értékek [0, 255] értékre kvantálódnak, a mérési tartományon kívül értéket nem is biztos, hogy a szenzor egyáltalán tudna adni. Eleve jogos elvárás lehet, hogy a tökéletesen mért, zajjal nem terhelt képpontok értéke ne változzon, ami így biztosított.

Ha valamiért mégis a 16 bites előjeles vagy lebegőpontos eredményt választjuk, akkor ezekből a reprezentációkból célszerű visszatérni a 8 bitesre. Ezt megtehetjük normalizálva és csonkolva.

A normalizálás esetén a képmátrix minimális eleme az általunk megadott minimális értékbe, a mátrix maximális eleme a megadott maximálisba képződik, közöttük pedig a beosztás lineáris. Ezzel találkoztunk már korábban is.

imnoise2 = cv2.add(img, noise, dtype=cv2.CV_16SC1)
imnoisenorm = cv2.normalize(imnoise2, None, 0, 255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8UC1)

Csonkolás esetén az ábrázolható tartományon kívüli értékek az ábrázolható minimális és maximális értékkel helyettesítődnek. Ez megoldható a típuskonverzió előtt végrehajtott vágás művelettel, ahogyan korábban láttuk. Így az első megközelítéssel egyező eredményt kapunk.

Az OpenCV-logo.png kép szürkeárnyalatos változatához adunk normál eloszlású additív zajt, 0 várható értékkel és 20 szórással.

Az első megközelítést célszerű választani, mert az nem módosít a zajjal nem terhelt képpontok fényességén, és eleve ezt a legegyszerűbb használni.

A második egyértelműen rossz, mert a zaj modellezés hatására kialakuló negatív értékek normalizáláskori skála módosító hatása miatt sötétebb tónusú képet kapunk.

Összeadás, 8 bites egész típusú eredményként	Előjeles eredmény normalizálva

Színes, többcsatornás képek esetén többféle megközelítés is szóba jöhet.

Az egyik lehetőség, hogy mindhárom színcsatornához külön additív zajt adunk. Vigyázzunk arra, hogy a cv2.randu() és cv2.randn() függvények többcsatornás képmátrix átadása esetén is csak a [0] indexűt töltik ki, a többi konstans 0 marad! Vagyis három különböző, egycsatornás zajképet kell generálnunk, amiket csatornánként külön kell hozzáadnunk a képhez. Az igazi probléma ezzel a megközelítéssel az, hogy a képalkotó szenzorok nem külön RGB csatornák szerint mérnek, így a valóságot ezzel nem túl jól modellezzük.

A zajhatás modellezését elvégezhetjük a fényerő csatornán, a kromatikus információt megtartva. Ehhez a korábban látott módon YUV színtérbe kell áttérni, ott az Y csatornához adni a zajterhelést, és visszatérni BGR színtérbe. Ez sem tökéletes, mert valós esetben valószínűleg a szín információk is változnak a mérési pontatlanság hatására.

Választhatunk más színteret is, ahol a színértékek közötti Euklideszi távolság jobban közelíti az emberi színérzetet (pl. HSV), és ott végezzük a módosítást csatornánként. Az RGB ebben nem igazán jó.

Természetesen a zaj szűrésekor is ismernünk kell a zaj pontos megjelenési módját, és annak megfelelően dolgozni.

Ahogyan a fejezet bevezetőjében láttuk, a valós helyzet jobb közelítéséhez az lenne szükséges, hogy ismerjük a képalkotó szenzor pontosabb működését.

Külön függvény erre a célra nincs, de könnyen készíthetünk sajátot. Erre példát a 06_02_add_saltpepper_noise.py példaprogram mutat.

Só-bors zaj esetén a zaj paraméterét rendszerint úgy adjunk meg, hogy az intenzitásértékek hány százaléka legyen só, illetve bors típusú. A programunk a kiszámított darabszámszor véletlenszerűen pozíciót választ a képen, és oda beírja a zaj értéket. Mivel az nem kerül ellenőrzésre, hogy egy zaj helyre ne eshessen újabb, így a megoldás nem tökéletes, de első közelítésben megfelelő lesz a számunkra.

Ebben az esetben jóval egyszerűbb a színes képek kezelése: a kiválasztott képpontokban a megfelelő (fekete vagy fehér) szín írható a képmátrixba.