如何用TensorFlow为X光图像特定/随机位置添加非高斯随机值噪声

一、非高斯随机噪声的实现方法 #

针对X光图像的噪声需求，这里提供几种实用的非高斯噪声实现方案，包含随机位置和特定位置的添加逻辑：

1. 均匀分布噪声 #

这种噪声的取值在指定区间内均匀分布，干扰效果比高斯噪声更“均匀”，不会集中在均值附近。

import numpy as np

def add_uniform_noise(img_arr, low=-0.1, high=0.1):
    noisy_arr = img_arr.copy()
    # 生成和图像同形状的均匀噪声
    noise = np.random.uniform(low, high, size=img_arr.shape)
    noisy_arr += noise
    # 截断到0-1的合法像素范围
    return np.clip(noisy_arr, 0, 1)

2. 椒盐噪声（脉冲噪声） #

模拟传感器突发故障产生的白点（盐）和黑点（椒）干扰，视觉上是离散的点状噪声，适合模拟真实成像的异常点。

def add_salt_pepper_noise(img_arr, salt_p=0.01, pepper_p=0.01):
    noisy_arr = img_arr.copy()
    # 随机生成盐噪声（置为1）
    salt_mask = np.random.random(img_arr.shape) < salt_p
    noisy_arr[salt_mask] = 1.0
    # 随机生成椒噪声（置为0）
    pepper_mask = np.random.random(img_arr.shape) < pepper_p
    noisy_arr[pepper_mask] = 0.0
    return noisy_arr

3. 泊松噪声 #

完全贴合X光成像的光子计数特性，是真实场景中常见的噪声类型，干扰效果更符合实际医疗图像的噪声分布。

def add_poisson_noise(img_arr):
    # 泊松噪声需要基于整数生成，先把0-1的浮点值转成0-255的整数
    scaled_arr = np.floor(img_arr * 255).astype(np.uint16)
    noisy_scaled = np.random.poisson(scaled_arr)
    # 转换回0-1范围并截断
    return np.clip(noisy_scaled / 255.0, 0, 1)

4. 特定位置添加噪声 #

如果需要在指定区域（比如肺部、骨骼区域）加噪声，只需先准备一个和图像同尺寸的布尔掩码（mask，True表示目标区域），然后仅对掩码覆盖的区域添加噪声：

def add_noise_to_target_region(img_arr, mask):
    noisy_arr = img_arr.copy()
    # 这里用均匀噪声举例，也可以替换成上面的其他噪声类型
    noise = np.random.uniform(-0.1, 0.1, size=img_arr.shape)
    # 仅对掩码区域施加噪声
    noisy_arr[mask] += noise[mask]
    return np.clip(noisy_arr, 0, 1)

二、数组复制后直接加数值的正确性 #

你复制数组后直接添加数值的思路是对的，但要注意两个关键细节：

1. 数据类型：确保你的数组是浮点型（比如float32/float64），如果是从uint8转过来的0-1数组，只要转换时用了浮点除法（比如img_arr = img / 255.0）就没问题，避免整数类型的溢出问题。
2. 范围截断：添加噪声后数值很可能超出0-1的合法像素范围，必须用np.clip()把值限制在0到1之间，否则后续保存图像或输入模型时会出现错误。

正确的操作示例：

# 假设img_arr是已转换的0-1浮点数组
img_copy = img_arr.copy()  # 复制数组，避免修改原始数据
noise = np.random.uniform(-0.1, 0.1, size=img_arr.shape)
img_copy += noise
img_copy = np.clip(img_copy, 0.0, 1.0)  # 必须做截断处理

内容的提问来源于stack exchange，提问作者a-eng