1. 噪声的本质与分类
大家好，我是老张。做图像去噪这些年，我最大的感触就是——不懂噪声，就别谈去噪。
你想想看，医生看病得先诊断是什么病，对吧？去噪也一样。你得先搞清楚图像里混进去的是哪种噪声，才能对症下药。今天咱们就来聊聊噪声的"家谱"，把它的数学模型和视觉特征掰扯清楚。
1.1 噪声到底是个啥？
从数学上讲，噪声就是图像信号里那些我们不想要的随机波动。说白了，就是真实信号 + 随机干扰。
我习惯用一个简单的公式来理解：
观测图像 = 真实图像 + 噪声但实际情况比这复杂。不同的噪声，叠加方式不一样，有的加性，有的乘性。咱们一个一个来看。
1.2 高斯噪声——最常见的老熟人
高斯噪声，也叫正态噪声。这是我在项目中遇到最多的噪声类型。传感器温度太高、光线不足，都会产生它。
数学模型：
概率密度函数：p(x) = (1 / (σ√(2π))) * exp(-(x-μ)² / (2σ²))其中 μ 是均值，σ 是标准差。均值决定噪声的亮度偏移，标准差决定噪声的强度。
视觉特征：
- 整张图像上都有，像蒙了一层细沙
- 每个像素的噪声值服从正态分布
- 亮度越均匀的区域，看起来越明显
我的经验： 高斯噪声的强度通常用标准差 σ 来衡量。σ=10 时噪声还比较轻微，σ=30 以上就非常明显了。我在做监控摄像头去噪时，遇到过 σ=50 的极端情况，那画面简直像在下雪。
1.3 椒盐噪声——黑白点点的捣蛋鬼
椒盐噪声，名字很形象——像在图像上撒了盐和胡椒粉。黑色的是"椒"，白色的是"盐"。
数学模型：
像素值 = {
0（黑点） —— 概率 p/2
255（白点） —— 概率 p/2
原值 —— 概率 1-p
}其中 p 是噪声密度，表示受污染的像素比例。
视觉特征：
- 随机分布的黑点和白点
- 其他像素完全不受影响
- 看起来像老电视的雪花点
避坑指南： 我曾经把椒盐噪声和高斯噪声搞混过，结果用了高斯滤波去处理椒盐噪声，效果很差。后来才明白，椒盐噪声用中值滤波才是正解。记住：椒盐噪声是"点状"的，高斯噪声是"面状"的。
1.4 泊松噪声——跟光强有关的噪声
泊松噪声，也叫散粒噪声。它跟光的量子特性有关。光线越暗，噪声越明显。
数学模型：
观测值 ~ Poisson(λ)
其中 λ 是真实光强泊松分布的特点是：均值 = 方差。也就是说，信号越强，噪声也越强。
视觉特征：
- 暗区域噪声明显，亮区域噪声相对不明显
- 看起来像颗粒感
- 常见于低光照摄影、医学成像（如PET、CT）
关键点： 泊松噪声的强度跟信号本身有关。处理时不能简单用固定阈值，得用方差稳定变换（如Anscombe变换）先把它变成高斯噪声，再处理。
1.5 乘性噪声——跟信号"同甘共苦"
乘性噪声，顾名思义，是跟原始信号相乘的噪声。最典型的就是散斑噪声，常见于雷达图像（SAR）和超声图像。
数学模型：
观测图像 = 真实图像 × 噪声或者更具体一点：
I_obs = I_true × n
其中 n 是均值为1的随机变量视觉特征：
- 亮区域噪声更明显，暗区域噪声不明显
- 看起来像纹理或颗粒
- 图像整体对比度会受影响
我的处理习惯： 遇到乘性噪声，我通常会先取对数，把它变成加性噪声。这样就能用常规的去噪方法了。处理完再取指数还原。这招在SAR图像去噪中特别管用。
1.6 四种噪声对比一览
| 噪声类型 | 数学模型 | 视觉特征 | 常见场景 | 处理思路 |
|---|---|---|---|---|
| 高斯噪声 | 加性，正态分布 | 均匀细沙状 | 传感器热噪声 | 高斯滤波、BM3D |
| 椒盐噪声 | 随机黑白点 | 点状分布 | 传输错误 | 中值滤波 |
| 泊松噪声 | 泊松分布 | 暗区颗粒感 | 低光照、医学成像 | 方差稳定变换 |
| 乘性噪声 | 乘性随机变量 | 亮区更明显 | SAR、超声 | 对数变换 |
1.7 知识体系总览
下面这张图，是我自己梳理的噪声分类体系。你看一遍，心里就有谱了。
嗯，这张图把四种噪声的关系和特征都串起来了。你多看几遍，后面学去噪算法时就能快速判断该用哪种方法。
1.8 小结
这一章咱们把噪声的"底细"摸清楚了。记住几个要点：
- 高斯噪声——均匀分布，用高斯滤波
- 椒盐噪声——黑白点，用中值滤波
- 泊松噪声——暗区明显，先做方差稳定变换
- 乘性噪声——亮区明显，先取对数
我个人觉得，搞懂噪声类型是去噪的第一步，也是最关键的一步。方向错了，后面再努力也是白搭。
好了，这一章就到这儿。下一章咱们聊聊去噪算法的评价指标，看看怎么量化地衡量去噪效果好不好。