a.
高斯噪声
利用 的 随机生成器产生高斯分布的数值(即数值的大小满足
高斯分布),将这些生成的数值加到原图像上,成为高斯噪声。
b. CoarseDropout
在图像中生成面积大小可选定、位置随机的矩形区域,把区域中的像素点
置位黑色(单通道)或者让多通道的某一通道的像素值变为 。和椒盐噪
声的区别是,区域块和像素点的区别。
c.
掩模噪声添加(
SimplexNoiseAlpha
)
新建一个尺寸和原图相同的矩阵,矩阵中存在单一的噪声分布(高斯,椒盐
等),对该矩阵进行掩模,并将掩模后的矩阵与原图像叠加。
d.
频率谱噪声添加(
FrequencyNoiseAlpha
)
在频域中用随机指数对噪声映射(在频域中,噪声的映射是高频的部分),
通过设置一个频率阈值将有用信息和噪声分开来,并对噪声部分的频率值加
权,将处理完后的频谱用傅里叶逆变换转回原图。在不同图像中,随着指数
值逐渐增大,依次出现平滑的大斑点、多云模式、重复出现的小斑块。
模糊类
利用高斯,中值,均值,联合双边滤波器等对图像进行平滑滤波。减少各像
素点值的差异,实现图片模糊。
对比度变换
通过向 空间中的每个像素添加或减少 值,修改色调和饱和度实现对比
度转换。
颜色扰动
将图片从 颜色空间转换到另一颜色空间,增加或减少颜色参数后返回
颜色空间。
随机擦除法
对图片上随机选取一块区域,随机地擦除图像信息。只取一块区域,并且区
域面积相对较大。
超像素法()
在最大分辨率处生成图像的若干个超像素,并将其调整到原始大小,再将原
始图像中所有超像素区域按一定比例替换为超像素,其他区域不改变。将图
像从 颜色空间转换到 ! 颜色空间,对应每个像素的(, ,!)颜
色值和(,")坐标组成一个 # 维向量 $% %!%%"&。两个像素的相似性可由它
们的向量距离来度量,距离越大,相似性越小。类似于 '( 聚类算法,
算法首先生成 ' 个种子点,然后在每个种子点的周围空间里搜索距离该种子
点最近的若干像素,将他们归为与该种子点一类,直到所有像素点都归类完
毕。然后计算这 ' 个超像素里所有像素点的平均向量值,重新得到 ' 个聚类
中心,然后再以这 ' 个中心去搜索其周围与其最为相似的若干像素,所有像
素都归类完后重新得到 ' 个超像素,更新聚类中心,再次迭代,如此反复直
评论0
最新资源