首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

如何在图像中添加赖斯噪声?

赖斯噪声(Rice Noise)是一种统计模型,常用于模拟信号在经过某些通信系统时的噪声特性。在图像处理中,赖斯噪声可以用来模拟某些类型的传感器噪声或其他通信信道中的噪声。

基础概念

赖斯噪声是由两个独立的随机变量组成的,一个是幅度(amplitude),另一个是相位(phase)。幅度通常服从瑞利分布(Rice distribution),而相位则均匀分布在[0, 2π]之间。

相关优势

  • 真实感强:赖斯噪声能较好地模拟实际通信系统中的噪声特性。
  • 灵活性高:可以通过调整参数来控制噪声的强度和分布。

类型与应用场景

  • 传感器噪声:在遥感图像或医学成像中,传感器可能会引入赖斯噪声。
  • 通信信道模拟:在模拟无线通信系统的性能时,赖斯噪声可以用来测试信号的抗干扰能力。

如何在图像中添加赖斯噪声

以下是一个使用Python和OpenCV库在图像中添加赖斯噪声的示例代码:

代码语言:txt
复制
import cv2
import numpy as np

def add_rice_noise(image, K=1.5, scale=10):
    """
    在图像中添加赖斯噪声。
    
    :param image: 输入图像(numpy数组)
    :param K: 赖斯分布的参数K
    :param scale: 噪声的标准差
    :return: 添加噪声后的图像
    """
    h, w = image.shape[:2]
    noise = np.zeros_like(image)
    
    for i in range(h):
        for j in range(w):
            A = np.random.rayleigh(scale)  # 瑞利分布的幅度
            theta = np.random.uniform(0, 2 * np.pi)  # 均匀分布的相位
            noise[i, j] = A * np.exp(1j * theta)
    
    noisy_image = image + noise.real * K
    noisy_image = np.clip(noisy_image, 0, 255).astype(np.uint8)
    
    return noisy_image

# 读取图像
image = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)

# 添加赖斯噪声
noisy_image = add_rice_noise(image, K=1.5, scale=10)

# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Noisy Image', noisy_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

可能遇到的问题及解决方法

  1. 噪声强度过大:如果添加的噪声过强,图像可能会变得难以辨认。可以通过调整参数Kscale来控制噪声的强度。
  2. 噪声分布不均匀:在某些情况下,噪声可能在图像的不同区域分布不均匀。可以通过增加随机性或调整噪声生成算法来改善。

解决方法

  • 调整参数:通过实验找到合适的Kscale值,使得噪声效果既明显又不至于破坏图像的主要特征。
  • 优化算法:可以考虑使用更高效的噪声生成算法,如利用GPU加速或并行计算来提高处理速度和质量。

通过上述方法,可以在图像中有效地添加赖斯噪声,并根据需要进行调整和优化。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

【从零学习OpenCV 4】图像中添加椒盐噪声

目前为止OpenCV 4中没有提供专门用于为图像添加椒盐噪声的函数,需要使用者根据自己需求去编写生成椒盐噪声的程序,本小节将会带领读者一起实现在图像中添加椒盐噪声。...注意 该函数与之前所有的函数不相同之处在于该函数并不在cv的命名空间中,而是在cvflann类中,因此在使用的时候一定要在函数前添加前缀,如cvflann::rand()。...了解随机函数之后,在图像中添加椒盐噪声大致分为以下4个步骤 Step1:确定添加椒盐噪声的位置。...依照上述思想,在代码清单5-4中给出在图像中添加椒盐噪声的示例程序,程序中判断了输入图像是灰度图还是彩色图,但是没有对彩色图像的单一颜色通道产生椒盐噪声。...如果需要对某一通道产生椒盐噪声,只需要单独处理彩色图像每个通道即可。程序在图像中添加椒盐噪声的结果如图5-6、图5-7所示,由于椒盐噪声是随机添加的,因此每次运行结果会有所差异。

2.2K20

【从零学习OpenCV 4】图像中添加高斯噪声

OpenCV 4中同样没有专门为图像添加高斯噪声的函数,对照在图像中添加椒盐噪声的过程,我们可以根据需求利用能够产生随机数的函数来完成在图像中添加高斯噪声的任务。...依照上述思想,在代码清单5-7中给出了在图像中添加高斯噪声的示例程序,程序实现了对灰度图像和彩色图像添加高斯噪声,在图像中添加高斯噪声的结果如图5-8、图5-9所示,由于高斯噪声是随机生成的,因此每次运行结果会有差异...代码清单5-7 myGaussNoise.cpp图像中添加高斯噪声 1. #include 2....lena = lena + lena_noise; //在彩色图像中添加高斯噪声 27....equalLena = equalLena + equalLena_noise; //在灰度图像中添加高斯噪声 28. //显示添加高斯噪声后的图像 29.

3.9K40
  • 经典的计算机视觉项目–如何在视频中的对象后面添加图像

    总览 在移动物体后面添加图像是经典的计算机视觉项目 了解如何使用传统的计算机视觉技术在视频中添加logo 介绍 一位同事带来了一个挑战-建立一个计算机视觉模型,该模型可以在视频中插入任何图像而不会扭曲移动的对象...在本文中,将使用图像处理概念和OpenCV。 目录 了解问题陈述 获取该项目的数据 为计算机视觉项目设定蓝图 在Python中实现该技术-添加logo!...因此,必须弄清楚如何将logo添加到背景中的某个位置,以使其不会阻碍视频中正在进行的主要操作。...这是将用于在视频中跳舞的家伙后面嵌入OpenCVlogo的技术。开始做吧! 在Python中实现该技术-添加logo! 可以使用Jupyter Notebook或您选择的任何IDE,然后继续进行。...在此过程中,还学习了如何使用图像阵列以及如何从这些阵列创建遮罩。

    2.9K10

    【数字图像】数字图像锐化处理的奇妙之旅

    特征提取: 提取图像中的关键特征,如纹理、形状和颜色信息。 图像处理应用领域: 医学影像处理: 用于诊断、治疗规划和手术导航。 计算机视觉: 用于实现机器视觉系统,如人脸识别、目标跟踪等。...使用imnoise函数向原图像I添加了椒盐噪声,生成了噪声图像J。 通过subplot函数创建一个2x3的图像网格,并在第一个子图中显示原图像I,在第二个子图中显示加噪声后的图像J。...2.中值滤波: 从文件中读取了一张灰度图像eight.tif并存储在变量I中。 使用imnoise函数向原图像I添加了椒盐噪声,生成了噪声图像J。...3.频率域低通滤波: 从文件中读取了一张彩色图像coins.png并存储在变量I中。 使用imnoise函数向原图像I添加了高斯噪声,生成了带噪声的图像noisy。...创建一个与F大小相同的零矩阵,并使用imnoise函数向其添加高斯噪声,得到带噪声的图像MFN。 计算噪声功率谱密度与信号功率谱密度的比值(NSR)。

    27210

    图像边缘算法复现研究

    丰富数学工具应用:边缘检测算法涉及到多种数学工具和概念的应用,如导数、卷积、滤波等。对这些算法的研究促进了数学在图像处理领域的应用和发展,同时也为数学理论的创新提供了实践场景。...优化自动化系统性能:在许多自动化系统中,如智能监控系统、自动驾驶系统等,图像边缘检测是其视觉感知模块的重要组成部分。...它先将拉普拉斯算子和高斯滤波器结合,利用高斯平滑处理去除噪声,然后利用拉普拉斯算子增强图像,最后通过二阶导数的零交叉点检测边缘。...代码为grayImage = rgb2gray(originalImage); (二)添加噪声 添加高斯噪声 使用imnoise函数对灰度图像添加高斯噪声。设置均值为0,标准差为0.04。...(四)对添加噪声后的图像进行边缘检测 对添加高斯噪声的图像进行边缘检测(以各算子分别说明) Roberts算子 按照上述Roberts算子边缘检测步骤,将模板与添加高斯噪声后的图像noisyImageGaussian

    16210

    你的算法可靠吗?——度量神经网络的不确定性

    3.固有的噪声 这是由数据集中存在的噪声产生的不确定性。这可以归因于测量技术的不完善,或者被测物体本身的随机性 ? 假设您的数据集包含两张卡片朝下的图像。...固有噪声的大小与贝叶斯错误率有关,贝叶斯错误率是给定分类器的最小可达错误率。正如您所能想象的,模型所能想象的最低错误率是您的数据集包含两张卡片朝下的图像。...这些概念严重依赖于贝叶斯统计。我以一种简单的方式概述了这些想法,但这只是这些深层次话题的皮毛。 ? 实施不确定性 此时,您可能会想:“这听起来不错,但我如何在我的模型中实现不确定性呢?“。...然而,用于构建贝叶斯神经网络的工具链仍在出现,而且模型在训练和预测时的计算成本往往更高。 此外,将您的工作迁移到概率模型(如贝叶斯神经网络)将会很烦人。 从长远来看,概率性的深度学习很可能会成为默认。...对于一个简单的完全连接的模型,像我前面的例子一样,在mnist上训练,不确定性近似的行为如预期的那样:当呈现噪声而不是手写数字表示时,近似的不确定性更高。

    3.4K30

    深度学习中高斯噪声:为什么以及如何使用

    数据增强:高斯噪声在深度学习中的一种常见用途是在训练期间将其添加到输入数据中。例如可以在每个图像通过模型之前添加高斯噪声。...生成对抗网络 (GAN):可以将高斯噪声添加到生成器输入中,以提高生成样本的多样性。 贝叶斯深度学习:训练时可以在模型的权重中加入高斯噪声,使其对过拟合具有更强的鲁棒性,提高模型的泛化能力。...下面我们介绍如何在使用 Python 和 Keras在训练期间将高斯噪声添加到输入数据,说明如何在训练期间将高斯噪声添加到输入数据,然后再将其传递给模型: from keras.preprocessing.image...以下是如何在训练期间向图像添加高斯噪声以提高图像分类模型的鲁棒性的示例: from keras.preprocessing.image import ImageDataGenerator # Define...生成器被训练为基于随机噪声作为输入生成新的图像,并且在生成的图像传递给鉴别器之前,将高斯噪声添加到生成的图像中。

    1.9K60

    Python 图像处理实用指南:1~5

    向图像添加椒盐噪声 我们可以从图像中随机选择几个像素,然后将这些像素值的一半设置为黑色,另一半设置为白色,从而在图像中添加一些椒盐噪声。...: 向图像中添加随机高斯噪声 我们可以使用random_noise()功能向图像添加不同类型的噪声。...,通过频域滤波从原始噪声图像中获得: 总结 在本章中,我们讨论了一些主要与二维卷积有关的重要概念及其在图像处理中的相关应用,如空域滤波。...向lena图像添加一些随机噪声,用高斯核模糊图像,然后尝试使用逆滤波器恢复图像,如相应示例所示。发生了什么,为什么?...显示一幅图像,该图像可以从几个噪声图像中恢复,这些图像是通过简单地取噪声图像的平均值,将随机高斯噪声添加到原始图像中获得的。中位数也有用吗?

    5.4K11

    深度通用盲图像去噪 | 代码已开源

    代码链接:https://www.github.com/JWSoh/DUBD 摘要 图像去噪是许多图像处理和计算机视觉任务的重要组成部分,因为在图像采集过程中不可避免的会产生噪声。...传统上,许多研究人员在基于图像属性和统计的贝叶斯视角下研究图像先验去噪。近年来,深度卷积神经网络(CNNs)在融合大规模合成数据集的图像去噪方面取得了巨大的成功。然而,它们都有各自的优点和缺点。...另一方面,传统的非学习方法可能涉及显式的图像先验,但它们需要大量的计算时间,不能利用大规模的外部数据集。在本文中,作者提出了一种基于cnn的方法,它利用了基于贝叶斯视角的两种方法的优点。...DUBD的设计是由上述方法的优缺点驱动的,如何在不损害网络力量的情况下将人类知识插入深度学习框架。特别地,从实用性来说,所提出的DUBD可以在不知道噪声级别的情况下处理大范围的噪声级和空间变化的噪声。...在条件编码器中,第一层信道数为128,其余为64。 实验结果 ? ? 结论 在本文中,作者提出了一种通用的盲降噪器,它可以降低来自各种环境的噪声,包括在真实环境中遇到的噪声。

    1.7K30

    Procedural Noise Adversarial Examples for Black-Box Attacks on Deep Neural Networks 论文笔记(2)

    的程序噪声函数 ? 之后, 我们首先创建图像扰动以添加到原始“干净”图像. 然后将使用此更改的图像查询目标模型. 如果攻击不成功, 我们将使用贝叶斯优化更新我们后续的查询 ?...这表明我们使用的程序性噪声函数受限于它能够以多大的精度逃避目标分类器的程度. 我们假设可以通过为生成函数添加更多复杂性来改进这一点....相比之下, 其他不可转移的黑盒攻击, 如[12], [22], [23], 需要数千个查询来逃避ImageNet中的单个图像....相关工作的对比 对低维数据集(如MNIST和CIFAR)的攻击在文献中更为突出. 其中许多攻击也是白盒, 或者不容易扩展到大型图像数据集....此外, 这些攻击通常需要每个图像多达数千次迭代, 如[22]和[23]. 我们的工作处于不同的环境中, 具有更现实的约束.

    92010

    用扩散模型生成神经网络?NUS 尤洋团队:这不是开玩笑

    作者丨赖文昕 编辑丨郭思、陈彩娴 说起扩散模型生成的东西,你会立刻想到什么? 是OpenAI的经典牛油果椅子? 是英伟达Magic3D生成的蓝色箭毒蛙?...他们结合了自动编码器框架和标准潜在扩散模型(LDM)设计了一种新颖的方法,即“参数扩散”(p-diff),通过训练LDM从随机噪声中合成有效的神经网络参数latent representations。...学者们普遍从统计学先验和概率模型的角度出发,例如探索随机神经网络架构及贝叶斯神经网络方法,以优化模型性能。...首先,神经网络训练和扩散模型的逆过程都可以被视为从随机噪声/初始化到特定分布的转变。其次,高质量图像和高性能参数也可以通过多次噪声的添加来降级为简单分布,例如高斯分布。...为了验证p-diff能够生成一些与原始模型表现不同的新参数,研究团队设计了另一个实验,通过比较原始模型、添加噪声模型、微调模型和 p-diff 模型的预测和可视化来研究它们之间的差异。

    29210

    使用OpenCV在Python中进行图像处理

    用于阈值的图像: import cv2cv2_imshow(threshold) 如您所见,在生成的图像中,已经建立了两个区域,即黑色区域(像素值0)和白色区域(像素值1)。...为了正确理解这一点,我们将在上面考虑过的玫瑰图像的灰度版本中添加“盐和胡椒”噪声,然后尝试使用不同的滤镜从嘈杂的图像中去除该噪声,然后看看哪个是最好的-适合那种类型。...import numpy as npcv2.imwrite('sp_05.jpg', sp_05) 好吧,我们在玫瑰图像中添加了噪点,现在看起来是这样: 嘈杂的图像: 现在让我们在其上应用不同的滤波器...() 边缘检测输出: 如您所见,图像中包含对象的部分(在这种情况下是猫)已通过边缘检测点到/分开了。...我们继续讨论了什么是图像处理及其在机器学习的计算机视觉领域中的用途。我们讨论了一些常见的噪声类型,以及如何在应用程序中使用图像之前使用不同的滤镜将其从图像中去除。

    2.8K20

    数字图像处理学习笔记(十四)——频域图像增强(图像的频域分析)

    由于噪声主要集中在高频部分,为去除噪声改善图像质量,滤波器采用低通滤波器 ? 来抑制高频成分,通过低频成分,然后再进行逆傅立叶变换获得滤波图像,就可达到平滑图像的目的。...印刷和出版业:从一幅尖锐的原始图像产生平滑、柔和的外观,如人脸,减少皮肤细纹的锐化程度和小斑点 ? 处理卫星和航空图像:尽可能模糊细节,而保留大的可识别特征。...空间域拉普拉斯算子过滤后的图像可由计算 ? 的反傅里叶变换得到 ? 傅里叶变换对表示空间域拉普拉斯算子和频率域的双向关系 ?...从原始图像中减去拉普拉斯算子部分,形成g(x,y)的增强图像 ? 2.6 钝化模板、高频提升滤波和高频加强滤波 为什么要进行高频提升和高频加强?...高频滤波后的图像,其背景平均强度减小到接近黑色(因为高通滤波器滤除了傅里叶变换的零频率成分:F(0,0)=0) 解决办法:把原始图像加到过滤后的结果中,如拉普拉斯算子增强,这种处理称为高频提升过滤。

    6.5K20

    在图像的傅里叶变换中,什么是基本图像_傅立叶变换

    在不同的研究领域,傅里叶变换具有多种不同的变体形式,如连续傅里叶变换和离散傅里叶变换。 傅立叶变换属于调和分析的内容。”分析”二字,可以解释为深入的研究。...印象中,傅立叶变换在图像处理以下几个话题都有重要作用: 1.图像增强与图像去噪 绝大部分噪音都是图像的高频分量,通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量,可以通过添加高频分量来增强原始图像的边缘...这两种滤波器都是在局部区域抑制图像的高频分量,模糊图像边缘的同时也抑制了噪声。还有一种非线性滤波-中值滤波器。中值滤波器对脉冲型噪声有很好的去掉。...如:大面积的沙漠在图像中是一片灰度变化缓慢的区域,对应的频率值很低;而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域,对应的频率值较高。...我们总可以容易地画出实变函数的图像(绝大多数函数的确如此),但我们难以画出一个复变函数的图象,这也许是拉普拉斯变换比较抽象的原因之一;而另外一个原因,就是拉普拉斯变换中的复频率s没有明确的物理意义。

    1.4K10

    贝叶斯神经网络(系列):第二篇

    大脑的类比 感知器是由著名心理学家罗森布拉特(Rosenblatt)设想的描述神经元如何在我们的大脑中发挥作用的数学模型。...与层次模型类似,神经网络起始层学习较简单的特征,如边缘,后续的神经层学习复杂的特征,如颜色,纹理等。此外,较高级的神经元具有较大的感受野,其构建在初始层上。...然而,由于多种原因,模型的预测可能不准确:输入噪声,噪声灵敏度,测量误差,非最佳超参数设置等。...贝叶斯学习的基础就是用概率论的知识从数据中学习。 不确定性在贝叶斯学习中起着重要作用,来仔细研究不确定性的类型: 贝叶斯学习方法中的不确定性 (神经)网络中的不确定性是衡量模型预测的准确程度的指标。...在贝叶斯模型中,存在两种主要的不确定性类型:偶然不确定性和认知不确定性。 偶然不确定性衡量了观测中固有的噪声。 这种类型的不确定性存在于数据收集方法中,比如伴随数据集的均匀的传感器噪声或运动噪声。

    93520

    十七.图像锐化与边缘检测之Roberts、Prewitt、Sobel和Laplacian算子

    图像锐化和边缘提取技术可以消除图像中的噪声,提取图像信息中用来表征图像的一些变量,为图像识别提供基础。通常使用灰度差分法对图像的边缘、轮廓进行处理,将其凸显。...Prewitt算子适合用来识别噪声较多、灰度渐变的图像,其计算公式如下所示。 在Python中,Prewitt算子的实现过程与Roberts算子比较相似。...Sobel算子的边缘定位更准确,常用于噪声较多、灰度渐变的图像。其算法模板如公式所示,其中dx表示水平方向,dy表示垂直方向。...,取值1或0 ksize表示Sobel算子的大小,其值必须是正数和奇数 scale表示缩放导数的比例常数,默认情况下没有伸缩系数 delta表示将结果存入目标图像之前,添加到结果中的可选增量值 borderType...默认值为1,更多详细信息查阅getDerivKernels delta表示将结果存入目标图像之前,添加到结果中的可选增量值,默认值为0 borderType表示边框模式,更多详细信息查阅BorderTypes

    2.5K10

    机器眼中的世界和人类一样吗?

    但是图像中的局部结构会随着噪音的添加很快被扭曲。”所以他们想出了一个聪明的方法来测试人和深度学习系统是如何处理图像的。...更人性化的方案 目前的深度学习方法可以将局部特征(如纹理)集成到更全局的模式(如形状)中。...当这种情况发生时,算法也变得更善于对有噪声的图像进行分类,即使它们没有接受过处理这种失真的训练。“基于形状的网络变得更加强大,”吉尔霍斯说。...然而,即使是关注形状的吉尔霍斯模型,也可能被图像中过多的噪音或特定的像素变化打败——这表明它们距离实现人类水平的视觉还有很长的路要走。...受吉尔霍斯发现的启发,他们最近训练了一种图像分类算法,不仅能识别物体本身,还能识别出哪些像素是物体轮廓或形状的一部分。网络自动地在它的常规对象识别任务中变得更好。

    67120

    图像处理常用算法—6个算子 !!

    需要说明的是:边缘和物体间的边界并不等同,边缘指的是图像中像素的值有突变的地方,而物体间的边界指的是现实场景中的存在于物体之间的边界。...有可能有边缘的地方并非边界,也有可能边界的地方并无边缘,因为现实世界中的物体是三维的,而图像只具有二维信息,从三维到二维的投影成像不可避免的会丢失一部分信息; 另外,成像过程中的光照和噪声也是不可避免的重要因素...在有些情况下,如灰度变化均匀的图像,只利用一阶导数可能找不到边界,此时,二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感,解决的方法是先对图像进行平滑滤波,消除部分噪声,再进行边缘检测。...一个二维图像函数的拉普拉斯变换是各向同性的二阶导数,定义了更适合于数字图像处理,将拉式算子表示为离散形式: 离散拉普拉斯算子的模板: 其扩展模板: 拉式算子用来改善因扩散效应的模糊特别有效,因为它符合降制模型...of a Gaussian,LoG),由于二阶导数是线性运算,利用LoG卷积一幅图像与首先使用高斯型平滑函数卷积改图像,然后计算所得结果的拉普拉斯是一样的。

    95410

    数字图像处理学习笔记(十)——空间滤波

    数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。...[即x,y轴翻转两次]) 若滤波器模板对称,那么相关和卷积得到的结果是一致的 相关还可用于寻找图像中的匹配 平滑空间滤波器的作用 ☞模糊处理:去除图像中一些不重要的细节 ☞减小噪声 平滑空间滤波器的分类...如(10,15,20,20,20,20,20,25,100) 中值滤波算法的特点 ☆在去除噪音的同时,可以比较好地保留边的锐度和图像的细节(优于均值滤波器) ☆能够有效去除脉冲噪声:以黑白点叠加在图像上...该式中,g(x,y)为锐化后的输出图像,f(x,y)为输入图像, 若使用上述拉普拉斯滤波器的图a、b模板,该式中的c取值-1(为了使输出边缘轮廓锐化,像素值值更高,故取-1) 同理,若用图c、d的普拉斯滤波器模板...,则取值为1 由于拉普拉斯是一种微分算子,因此其强调的是图像中灰度的变换(边缘变换就是灰度变换),忽视图像灰度变换缓慢的区域。

    2.4K20

    从高斯噪声到生成图像-扩散模型的数学原理与YOLO结合应用解析

    2.1 前向过程:从数据到高斯噪声前向扩散过程的目标是通过逐渐向数据中添加噪声,最终得到一个标准高斯噪声分布。...扩散模型的应用场景扩散模型目前主要应用于图像生成任务,如通过从随机噪声生成逼真的图像。此外,扩散模型还被用于以下领域:超分辨率重建:通过扩散过程生成高分辨率图像。图像修复:填补图像中的缺失部分。...这种机制非常适合处理图像去噪、图像修复等任务。接下来我们将深入探讨去噪与图像重建在扩散模型中的实现。5.1 去噪过程的优化在去噪任务中,我们的目标是从已经被破坏或添加了噪声的图像中还原出清晰的图像。...假设我们有一个已经添加噪声的图像 $xt$,我们通过模型预测该图像的噪声部分 $\epsilon\theta(x_t, t)$,然后通过以下公式对噪声进行去除:这意味着在每一步中,我们都根据模型的预测结果调整图像中的噪声部分...将扩散模型与现有的目标检测技术如YOLO结合,可以在复杂的图像处理任务中获得更高的检测精度和图像质量,特别是在低光、噪声等恶劣环境下的应用。

    55120
    领券