2. 图像去噪基础：噪声类型、噪声模型与质量评价指标
做遥感图像处理这些年，我踩过最多的坑就是噪声。你想想看，一张高分卫星图，本来地物清清楚楚，结果一上来全是噪点，后续的分类、分割、变化检测全得崩。所以今天咱们就好好聊聊噪声这回事。
我个人习惯把去噪比作「给图像洗脸」。你得先知道脸上沾了什么脏东西，才能对症下药。噪声类型搞不清楚，后面再好的算法也是白搭。
2.1 噪声类型：三种最常见的「捣蛋鬼」
遥感图像里的噪声，说白了就三大类。我在项目中几乎都遇到过，一个一个说。
2.1.1 高斯噪声
这是最常见的一种。它服从正态分布，每个像素点都会受到轻微影响。就像老电视的雪花点，但更均匀。
特点：
- 每个像素独立受干扰
- 噪声强度用均值和方差控制
- 在暗部区域尤其明显
我记得有一次处理夜间遥感影像，高斯噪声把道路边缘全糊掉了。当时我试了十几种滤波器，最后发现双边滤波效果最好。嗯，这里要注意：高斯噪声的方差设得太大，图像会完全失去细节。
2.1.2 椒盐噪声
这个更直观。图像上随机出现白点（盐）和黑点（椒）。像什么？就像你拍照时镜头上有灰尘。
特点：
- 只有极值像素受影响（0或255）
- 噪声密度决定受影响像素比例
- 中值滤波是它的克星
我曾经处理过一批无人机影像，传输过程中丢包严重，椒盐噪声密度高达30%。当时我第一反应是用均值滤波，结果越滤越模糊。后来换成中值滤波，3x3窗口就搞定了。避坑指南：椒盐噪声千万别用均值滤波，会把噪点扩散成一片灰斑。
2.1.3 斑点噪声
这个在SAR（合成孔径雷达）图像里最常见。它不像高斯噪声那样均匀，而是呈颗粒状、乘性叠加在图像上。
特点：
- 乘性噪声，与信号强度相关
- 在均匀区域表现为颗粒感
- 去噪难度最大
为什么说它难搞？因为它是乘性的。你想想看，信号强的地方噪声也强，信号弱的地方噪声也弱。用常规的加性噪声模型去处理，效果很差。我建议用Lee滤波或Frost滤波，专门对付斑点噪声。
2.2 噪声模型：数学上怎么描述？
搞清楚了噪声长什么样，咱们得用数学语言描述它。不然你写代码的时候，连参数都不知道怎么设。
2.2.1 加性噪声模型
这是最基础的模型：
g(x,y) = f(x,y) + n(x,y)其中g是观测图像，f是原始图像，n是噪声。高斯噪声就属于这一类。独立于信号，直接叠加。
2.2.2 乘性噪声模型
斑点噪声的专属模型：
g(x,y) = f(x,y) × n(x,y)注意这里是乘法。处理时通常取对数，把乘性变成加性：
log(g) = log(f) + log(n)我个人习惯在做SAR图像去噪时，先取对数再滤波，最后指数还原。效果比直接硬来好得多。
2.2.3 混合噪声模型
实际场景中，往往是多种噪声并存。比如传感器热噪声（高斯）+ 传输误码（椒盐）。这时候需要组合模型：
g(x,y) = f(x,y) + n_gaussian(x,y) + n_salt_pepper(x,y)处理这种混合噪声，我建议分步走：先用中值滤波干掉椒盐，再用高斯滤波或小波去噪处理高斯部分。一步到位？不存在的。
2.3 图像质量评价指标：怎么知道去噪效果好不好？
去噪做完了，总得有个标准评判吧？不能光靠眼睛看。我见过太多人「感觉」去噪效果不错，结果一算指标，惨不忍睹。
2.3.1 PSNR（峰值信噪比）
这是最常用的指标。说白了就是衡量原始图像和去噪后图像的差异。
计算公式：
PSNR = 10 × log10(MAX² / MSE)其中：
- MAX：图像最大像素值（8位图是255）
- MSE：均方误差，计算两幅图像像素差的平方均值
经验值参考：
| PSNR范围 | 质量评价 |
|---|---|
| > 40 dB | 极好（几乎无失真） |
| 30 - 40 dB | 良好（失真可接受） |
| 20 - 30 dB | 一般（有明显失真） |
| < 20 dB | 差（不可接受） |
我记得有一次做遥感图像去噪竞赛，我的PSNR从32dB提升到38dB，肉眼几乎看不出区别，但指标上确实进步了。所以PSNR对微小变化很敏感，但别完全迷信它。
2.3.2 SSIM（结构相似性）
这个指标更贴近人眼感知。它从亮度、对比度、结构三个维度比较图像。
取值范围：
- 0 到 1 之间
- 1 表示两幅图像完全相同
- 0.9 以上通常认为质量很好
为什么需要SSIM？我举个例子：有一张图PSNR很高，但边缘模糊了。PSNR看不出来，SSIM能发现。因为SSIM专门考虑了结构信息。
核心要点：
- PSNR：衡量像素级误差，适合评估噪声抑制程度
- SSIM：衡量结构相似度，适合评估细节保留能力
- 两者结合使用，不要只看一个
2.4 本章知识体系图
下面这张图把本章的核心逻辑串起来了。我建议你保存下来，做项目时对照着看。
我的小建议：
刚开始做去噪时，别急着上复杂算法。先搞清楚噪声类型，用最简单的滤波器试试效果。很多时候，一个3x3的中值滤波就能解决80%的问题。剩下的20%，再考虑小波变换、非局部均值这些高级方法。
注意：
去噪不是越干净越好。过度去噪会丢失边缘和纹理信息，这对遥感图像来说是致命的。比如建筑物边缘、道路边界，一旦模糊了，后续的分类精度直接掉10个点以上。我建议你在去噪和保边之间找平衡，SSIM低于0.85就要警惕了。
好了，这一章的内容就这些。噪声类型、噪声模型、评价指标，这三块是去噪的基石。搞懂了它们，后面学各种滤波算法才会事半功倍。记住我的一句话：去噪不是目的，保留有用信息才是。
公众号:蓝海资料掘金营，微信deep3321