3. 图像噪声模型：从数学到实战

图像噪声，说白了就是传感器在采集信号时混入的「杂质」。我做了这么多年图像质量评测，跟噪声打交道的时间比跟家人还多。每次看到一张干净的照片，我都会下意识想——这背后肯定做了不少降噪处理。

今天咱们就来聊聊四种最常见的噪声模型。我会把数学模型、生成代码、还有我踩过的坑一并告诉你。

3.1 高斯噪声：最基础的噪声模型

高斯噪声是图像处理里最常见的噪声。它服从正态分布，每个像素点的噪声值独立且同分布。

数学模型：

I_noisy = I_original + n
n ~ N(0, σ²)

其中 σ 是标准差，控制噪声强度。σ 越大，图像越花。

Python 生成代码：

import cv2
import numpy as np

def add_gaussian_noise(image, mean=0, sigma=25):
    noise = np.random.normal(mean, sigma, image.shape)
    noisy = image + noise
    return np.clip(noisy, 0, 255).astype(np.uint8)

# 使用示例
img = cv2.imread('test.jpg', 0)
noisy_img = add_gaussian_noise(img, sigma=30)

3.2 椒盐噪声：黑白点的艺术

椒盐噪声就是图像上随机出现的白点（盐）和黑点（椒）。它模拟的是像素值被完全破坏的情况。

数学模型：

P(像素被破坏) = p
被破坏后：
  - 变成 255（盐）的概率 = p/2
  - 变成 0（椒）的概率 = p/2
  - 保持原值的概率 = 1-p

Python 生成代码：

def add_salt_pepper_noise(image, prob=0.02):
    noisy = image.copy()
    total = image.size
    # 椒噪声
    num_pepper = int(total * prob / 2)
    coords = [np.random.randint(0, i-1, num_pepper) for i in image.shape]
    noisy[coords[0], coords[1]] = 0
    # 盐噪声
    num_salt = int(total * prob / 2)
    coords = [np.random.randint(0, i-1, num_salt) for i in image.shape]
    noisy[coords[0], coords[1]] = 255
    return noisy

3.3 泊松噪声：跟光强有关的噪声

泊松噪声跟光子计数有关。光线越暗，噪声越明显。这在低光照场景下特别常见。

数学模型：

I_noisy = Poisson(I_original)
其中 Poisson(λ) 的均值和方差都是 λ

说白了，每个像素点的值不再是一个确定数，而是服从泊松分布的随机变量。像素值越大，噪声方差也越大。

Python 生成代码：

def add_poisson_noise(image):
    # 将像素值缩放到合适范围
    scale = 255 / image.max()
    scaled = image * scale
    noisy = np.random.poisson(scaled)
    return (noisy / scale).astype(np.uint8)

3.4 乘性噪声：跟信号成比例的噪声

乘性噪声也叫斑点噪声，常见于雷达图像和超声图像。它的特点是：信号越强，噪声越强。

数学模型：

I_noisy = I_original × (1 + n)
n ~ N(0, σ²)

注意这里是乘法，不是加法。所以暗部区域受影响小，亮部区域受影响大。

Python 生成代码：

def add_multiplicative_noise(image, sigma=0.1):
    noise = np.random.normal(1, sigma, image.shape)
    noisy = image * noise
    return np.clip(noisy, 0, 255).astype(np.uint8)

3.5 四种噪声对比总结

噪声类型	数学模型	特点	常见场景
高斯噪声	加法，固定方差	均匀分布在整个图像	传感器热噪声
椒盐噪声	随机破坏像素	黑白点，稀疏分布	传输错误
泊松噪声	泊松分布	方差随信号变化	低光照拍摄
乘性噪声	乘法，比例噪声	信号越强噪声越大	雷达/超声图像

3.6 知识体系结构图

下面这张图帮你理清四种噪声的关系和区别：

3.7 实战建议

嗯，最后说几点我这些年总结的经验：

• 不要混用噪声模型：实际场景中通常只有一种主导噪声。我见过有人把四种噪声全加上，结果图像面目全非，完全没法用。
• 参数要合理：模拟噪声的目的是测试算法鲁棒性，不是把图像毁掉。参数设置要贴近真实场景。
• 先观察再动手：拿到一张有噪声的图像，先看看噪声的分布规律。是均匀分布还是跟信号相关？这决定了你该用哪种模型。

---