数字水印 | 图像噪声攻击（高斯/椒盐/泊松/斑点）

Noise Attack

1 高斯噪声（Gaussian Noise）

高斯噪声是通过在图片中引入服从高斯分布的随机噪声来实现的。通过调整高斯分布的标准差 $\mathsf{sigma}$ ，可以控制噪声的添加程度； $\mathsf{sigma}$ 的值越大，图片受噪声影响越严重。

def add_gaussian_noise(image):
    mean = 0  # 设置高斯分布的均值
    sigma = 25  # 设置高斯分布的标准差
    # 根据均值和标准差生成符合高斯分布的噪声
    gauss = np.random.normal(mean, sigma, image.shape)
    # 添加高斯噪声
    noise_attacked_image = image + gauss
    # 控制添加噪声后的像素值在[0,255]之间
    noise_attacked_image = np.clip(noise_attacked_image, a_min=0, a_max=255)
    noise_attacked_image = noise_attacked_image.astype(np.uint8)
    return noise_attacked_image

实现效果

在这里插入图片描述

2 椒盐噪声（Salt and Pepper Noise）

椒盐噪声是通过在图片中引入黑白噪点来实现的，其中椒代表黑色噪点 $(0, 0, 0)$ ，盐代表白色噪点 $(255, 255, 255)$ 。通过调整 $\mathsf{amount}$ 参数，可以控制噪声的比例； $\mathsf{amount}$ 值越大，图像受噪声影响越严重。

def add_salt_and_pepper_noise(image):
    amount = 0.04  # 设置添加的噪声占原始图像的比例
    s_vs_p = 0.5  # 设置噪声中salt和pepper的比例

    noise_attacked_image = np.copy(image)
    # 设置添加的salt噪声的数量
    num_salt = np.ceil(amount * s_vs_p * image.size)
    # 设置添加噪声的坐标位置
    coords = [np.random.randint(0, i-1, int(num_salt)) for i in image.shape]
    # 添加salt噪声
    noise_attacked_image[coords[0], coords[1], :] = [255, 255, 255]
    
    # 设置添加的pepper噪声的数量
    num_salt = np.ceil(amount * (1 - s_vs_p) * image.size)
    # 设置添加噪声的坐标位置
    coords = [np.random.randint(0, i - 1, int(num_salt)) for i in image.shape]
    # 添加pepper噪声
    noise_attacked_image[coords[0], coords[1], :] = [0, 0, 0]

    return noise_attacked_image

实现效果

在这里插入图片描述

3 泊松噪声（Poisson Noise）

def add_poisson_noise(image):
    # 计算图像像素的分布
    vals = len(np.unique(image))
    vals = 2 ** np.ceil(np.log2(vals))

    # 添加泊松噪声
    noise_attacked_image = np.random.poisson(image * vals) / float(vals)
    noise_attacked_image = noise_attacked_image.astype(np.uint8)
    return noise_attacked_image

由于我不知道原理，因此无法判断上述代码的正误。比如，以下博客的实现方式就与它不同：

如何给图片添加泊松（Poisson）噪声（附 Python 代码）

实现效果

在这里插入图片描述

前者噪声图像中心有非常明显的噪声点，但是后者噪声图像却没有，这噪声攻击是见人下碟啊😇

4 斑点噪声（Speckle Noise）

def add_speckle_noise(image):
    # 生成一个服从高斯分布的噪声
    gauss = np.random.randn(image.shape[0], image.shape[1], image.shape[2])
    # 添加speckle噪声
    noise_attacked_image = image + image * gauss
    # 控制添加噪声后的像素值在[0,255]之间
    noise_attacked_image = np.clip(noise_attacked_image, a_min=0, a_max=255)
    noise_attacked_image = noise_attacked_image.astype(np.uint8)
    return noise_attacked_image

实现效果

在这里插入图片描述

5 完整代码

import cv2
import numpy as np
import matplotlib.pyplot as plt


def add_gaussian_noise(image):
    mean = 0  # 设置高斯分布的均值
    sigma = 25  # 设置高斯分布的标准差
    # 根据均值和标准差生成符合高斯分布的噪声
    gauss = np.random.normal(mean, sigma, image.shape)
    # 添加高斯噪声
    noise_attacked_image = image + gauss
    # 控制添加噪声后的像素值在[0,255]之间
    noise_attacked_image = np.clip(noise_attacked_image, a_min=0, a_max=255)
    noise_attacked_image = noise_attacked_image.astype(np.uint8)
    return noise_attacked_image


def add_salt_and_pepper_noise(image):
    amount = 0.04  # 设置添加的噪声占原始图像的比例
    s_vs_p = 0.5  # 设置噪声中salt和pepper的比例

    noise_attacked_image = np.copy(image)
    # 设置添加的salt噪声的数量
    num_salt = np.ceil(amount * s_vs_p * image.size)
    # 设置添加噪声的坐标位置
    coords = [np.random.randint(0, i-1, int(num_salt)) for i in image.shape]
    # 添加salt噪声
    noise_attacked_image[tuple(coords)] = 255
    
    # 设置添加的pepper噪声的数量
    num_salt = np.ceil(amount * (1 - s_vs_p) * image.size)
    # 设置添加噪声的坐标位置
    coords = [np.random.randint(0, i - 1, int(num_salt)) for i in image.shape]
    # 添加pepper噪声
    noise_attacked_image[tuple(coords)] = 0

    return noise_attacked_image


def add_poisson_noise(image):
    # 计算图像像素的分布
    vals = len(np.unique(image))
    vals = 2 ** np.ceil(np.log2(vals))

    # 添加泊松噪声
    noise_attacked_image = np.random.poisson(image * vals) / float(vals)
    noise_attacked_image = noise_attacked_image.astype(np.uint8)
    return noise_attacked_image


def add_speckle_noise(image):
    # 生成一个服从高斯分布的噪声
    gauss = np.random.randn(image.shape[0], image.shape[1], image.shape[2])
    # 添加speckle噪声
    noise_attacked_image = image + image * gauss
    # 归一化图像的像素值
    noise_attacked_image = np.clip(noise_attacked_image, a_min=0, a_max=255)
    noise_attacked_image = noise_attacked_image.astype(np.uint8)
    return noise_attacked_image


image = cv2.imread("logo.jpg")
image = image[:, :, [2, 1, 0]]

# noise_attacked_image = add_gaussian_noise(image)
noise_attacked_image = add_salt_and_pepper_noise(image)
# noise_attacked_image = add_poisson_noise(image)
# noise_attacked_image = add_speckle_noise(image)

# 画图
plt.subplot(1, 2, 1)
plt.title("image", fontsize=12, loc="center")
plt.axis('off')
plt.imshow(image, cmap='gray')

plt.subplot(1, 2, 2)
plt.title("noise_attacked_image", fontsize=12, loc="center")
plt.axis('off')
plt.imshow(noise_attacked_image, cmap='gray')

plt.savefig('test.jpg', dpi=400, bbox_inches='tight')
plt.show()