add_noise_distribution — 2D `noise` op

• 데이터 종류: image → image

• 호출: fullseye.apply(img, "add_noise_distribution", a=0.5, b=0.5)(2-D 는 이미지 1 장 + 스칼라 노브 2 개 a,b∈[0,1] 모델)

• HALCON 대응: add_noise_distribution(의미·매개변수는 HALCON 레퍼런스가 참고가 됩니다)

사용법

이미지에 가산성 잡음을 더한다. 구현은 가우스(정규분포) 잡음만 지원하며, `add_noise_white와 동일한 _sh_noise의 gaussian 분기를 공유한다. 난수는 a로 정해지는 고정 시드(int(a*997)+7`)로 생성되므로, 같은 a라면 매번 같은 잡음이 된다(결정적). b가 잡음의 표준편차를 0.02~0.22로 조정한다.

> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.

HALCON の `add_noise_distribution`（任意の確率分布（ヒストグラム指定）に従うノイズを加える演算）とは異なり、この実装は常にガウス分布のノイズしか生成できない近似 —— 分布形状の指定は反映されない。

자세한 사용 가이드

• gallery2d_smoothing_rank 패밀리 가이드

배경 지식 가이드(이 연산자 앞에 있는 물리·규약)

• mv_image_sensors — 産業用イメージセンサ（現行品中心）

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• gallery2d_smoothing_rank — py -3.11 examples/gallery2d_smoothing_rank.py

타입이 이어지는 다음 연산자(`image` 를 입력으로 받는 것)

identity · gaussian · mean_box · bilateral · unsharp · median · min_filter · max_filter

같은 카테고리(`noise`)

add_noise_white

*Provenance: ops.py — 2D 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

add_noise_distribution — 2D noise op

사용법