2. 图像噪声基础：噪声类型、模型与数学表示

做暗光拍摄修复这些年，我最大的体会就是——搞懂噪声，比搞懂算法更重要。你想想看，连敌人长什么样都不知道，你怎么打？

噪声这东西，说白了就是图像里「不该出现」的随机信号。我刚开始做去噪时，总想着一个算法搞定所有噪声。结果呢？遇到椒盐噪声，高斯滤波糊成一团；遇到高斯噪声，中值滤波又不够用。嗯，这里要注意——不同噪声，得用不同招数。

2.1 噪声从哪来？

先聊聊噪声的源头。我个人习惯把噪声来源分成三类：

• 传感器噪声：CMOS/CCD 传感器在暗光下，每个像素接收的光子数太少，信噪比自然就低。我在项目中遇到过，手机在 0.1 lux 下拍出来的图，基本就是「彩色雪花」。
• 电路噪声：读出电路、放大器带来的热噪声。你想想看，相机一开机，芯片温度升高，噪声就跟着涨。
• 量化噪声：ADC 把模拟信号转成数字信号时，精度有限。比如 8-bit 图像，每个像素只有 256 个灰度级，暗部细节很容易被「吃掉」。

2.2 三种常见噪声类型

做去噪这么多年，我打交道最多的就是这三种噪声。咱们一个一个说。

2.2.1 高斯噪声

高斯噪声是最常见的噪声模型。它出现在几乎所有电子设备中——传感器读出噪声、放大器热噪声，本质上都是高斯分布。

数学表示：

概率密度函数：p(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))

其中：
- μ = 均值（通常为 0）
- σ = 标准差（控制噪声强度）

我个人习惯用 μ=0 的高斯噪声，因为这样不会改变图像的整体亮度。你想想看，如果均值不为零，整张图会偏亮或偏暗，那就不是单纯的噪声问题了。

2.2.2 泊松噪声

泊松噪声跟光子计数有关。说白了，就是每个像素接收到的光子数服从泊松分布。暗光下光子数少，噪声就明显。

数学表示：

P(k) = (λ^k * e^(-λ)) / k!

其中：
- λ = 平均光子数（也是方差）
- k = 实际观测到的光子数

这里有个关键点：泊松噪声的方差等于均值。也就是说，信号越强的地方，噪声也越强。我在项目中遇到过，拍星空时，亮星的周围噪声明显比暗空区域大——这就是泊松噪声在作怪。

2.2.3 椒盐噪声

椒盐噪声，也叫脉冲噪声。它表现为图像中随机出现的白点（盐）和黑点（椒）。

数学表示：

概率模型：
- 以概率 p 出现白点（像素值 = 255）
- 以概率 p 出现黑点（像素值 = 0）
- 以概率 1-2p 保持原值

其中 p 通常很小（0.01 ~ 0.05）

椒盐噪声的来源很直接——传感器坏点、传输错误、存储介质损坏。我记得有一次，客户发来一张图，满屏都是黑白点。我一看就知道，这是相机 CMOS 坏了，不是算法能解决的问题。

2.3 噪声模型对比

为了方便你快速对比，我整理了一张表：

噪声类型	分布特性	数学形式	典型场景	常用去噪方法
高斯噪声	对称、连续	正态分布	传感器读出、热噪声	高斯滤波、BM3D
泊松噪声	非对称、离散	泊松分布	暗光拍摄、医学成像	方差稳定变换 + 高斯去噪
椒盐噪声	稀疏、极端值	二值脉冲	传感器坏点、传输错误	中值滤波、形态学滤波

2.4 噪声模型在去噪中的意义

你可能会问：知道噪声类型有什么用？我直接上深度学习不就行了？

嗯，这里要注意——深度学习也不是万能的。我见过太多人，拿一个预训练的去噪模型，直接往暗光图上套。结果呢？高斯噪声去得不错，但泊松噪声留下的「纹理」反而更明显了。

我个人习惯的做法是：

1. 先分析噪声类型：看直方图、看局部方差、看信号-噪声关系
2. 再选去噪策略：高斯噪声用 BM3D，泊松噪声用 Anscombe 变换 + BM3D，椒盐噪声用自适应中值滤波
3. 最后调参：根据噪声强度调整滤波参数

2.5 本章知识体系

下面这张图，是我自己总结的噪声知识框架。你看一遍，基本就能把本章内容串起来了。

这张图把噪声的来源、类型、数学表示和去噪方法串在了一起。你以后遇到任何去噪问题，都可以先拿这张图来「对号入座」。

2.6 本章小结

聊了这么多，其实核心就三句话：

• 噪声类型决定去噪策略——搞错类型，算法再强也没用
• 数学表示是算法的基石——不理解分布，就调不好参数
• 实战中噪声往往是混合的——暗光下通常是高斯 + 泊松的混合体

我记得刚入行时，总觉得数学没用。直到有一次，一个简单的泊松噪声问题，我硬是用高斯滤波折腾了两天。后来老老实实补了概率论，才发现——数学不是用来考试的，是用来省时间的。

---

公众号:蓝海资料掘金营，微信deep3321