在matlab上，怎么给这个图片加高斯噪声呢，加入的是均值为0、方差0.008的高斯噪声。 实在不会呀。。

clc

clear all

close all

A = imread('cameraman.tif') % 读入图像

imshow(A)title('原图')

V=0.008

Noisy=imnoise(A,‘gaussian’,0,V)

figure1

imshow(Noisy)%添加均值为0、方差0.008的高斯噪声

y_mask = [-1 -1 -10 0 01 1 1] % 建立Y方向的模板

x_mask = y_mask' % 建立X方向的模板

I = im2double(A) % 将图像数据转化为双精度

dx = imfilter(I, x_mask) % 计算X方向的梯度分量

dy = imfilter(I, y_mask) % 计算Y方向的梯度分量

grad = sqrt(dx.*dx + dy.*dy) % 计算梯度

grad = mat2gray(grad) % 将梯度矩阵转换为灰度图像

level = graythresh(grad) % 计算灰度阈值

BW = im2bw(grad,level) % 用阈值分割梯度图像

figure, imshow(BW) % 显示分割后的图像即边缘图像

title('Prewitt')

就是这样了。

实际应用中因为图像采集设备、自然环境因素等诸多原因，导致所处理的图像和“本真”图像有差异，这一部分差异就是噪声。

用MATLAB等仿真手段对算法进行仿真时，所用的基础图像是“本真”图像，为了验证其算法的有效性，需要在“本真”图像上加上噪声，才能达到类似于“实际”图像的效果，也只有考虑了噪声，算法仿真结果才具有说服力。

纯手打，纯个人语言组织。理解意思即可。

/// <summary>

/// 高斯密度函数

/// </summary>

/// <param name="z">随机数</param>

/// <param name="u">数学期望</param>

/// <param name="a">方差</param>

/// <returns></returns>

static double gossp(double z, double u, double a)

{

double p

p = ( 1 / (a * Math.Sqrt(2 * Math.PI)) *

Math.Pow( Math.E, -( Math.Pow(z - u,2) / (2 * a * a))))

return p

}

/// <summary>

/// 对一幅图形进行高斯噪音处理。

/// </summary>

/// <param name="img"></param>

/// <param name="u">数学期望</param>

/// <param name="a">方差</param>

/// <returns></returns>

static public Bitmap goss_noise(Image img, double u, double a)

{

int width = img.Width

int height = img.Height

Bitmap bitmap2 = new Bitmap(img)

Rectangle rectangle1 = new Rectangle(0, 0, width, height)

PixelFormat format = bitmap2.PixelFormat

BitmapData data = bitmap2.LockBits(rectangle1, ImageLockMode.ReadWrite, format)

IntPtr ptr = data.Scan0

int numBytes = width * height * 4

byte[] rgbValues = new byte[numBytes]

Marshal.Copy(ptr, rgbValues, 0, numBytes)

Random random1 = new Random()

for (int i = 0i <numBytesi += 4)

{

for (int j = 0j <3j++)

{

double z

z = random1.NextDouble() - 0.5 + u

double pz = gossp(z, u, a)

double r = random1.NextDouble()

// Debug.WriteLineIf(pz <0.1, string.Format("z={0}\tpz={1}\tr={2}", z,pz,r))

if (r <= pz)

{

double p = rgbValues[i + j]

p = p + z * 128

if (p >255)

p = 255

if (p <0)

p = 0

rgbValues[i + j] = (byte)p

}

}

}

Marshal.Copy(rgbValues, 0, ptr, numBytes)

bitmap2.UnlockBits(data)

return bitmap2

}

要回答这3个问题，需要你先理解概率密度函数的意义。

高斯密度函数的意义就是：

如果一个随机数发生很多次之后，其平均值为u, 并且其方差为a, 那么对于这个随机数序列中，出现一个特定的z值的概率是多少。

因此，需要先生成一个随机数z, 然后用高斯函数得知其发生的概率是多少。

也就是pz。

然后，知道这个z“应该”的发生概率是多少之后，我们就要想办法让他按这个概率作用于原图上的像素。

因此，再采用第二个随机数r, r是一个平均概率的0-1的数，因此，r小于等于pz的情况的概率正好等于pz。

因此，如果在r小于等于pz时，z这个随机量发生作用，那么z的概率就是pz了。

这样循环处理，对于n个z，他的概率就客观上服从高斯分布了。

最后，关于为何 - 0.5 的原因：

这涉及到z的值域问题。

原理上讲，如果产生的噪音在-128到+128之间，数学期望为0，而方差为0.1时，对于所产生的z（一般情况下都在几十的值段），其概率几乎为0，导致根本不可能产生可见的干扰。

因此，我考虑到是否采用-0.5到+0.5的z值，这样在方差为0.1的情况下，z的概率才大到足以产生足够多的噪音。

但是，这样一来，z的值就太小了，只是-0.5到+0.5的区间，对图像的干扰非常不明显，于是我试着把z看为一个比例值，放大z到-128到+128的区间，这样处理完之后，对图像的干扰就大到足以观察到效果。

---