4. 噪声分类：高斯噪声、椒盐噪声、泊松噪声、均匀噪声的数学模型与视觉特征
噪声这东西，说白了就是图像里不该有的随机信号。我刚开始做图像处理那会儿，总觉得噪声就是噪声，分那么细干嘛？后来被现实狠狠教育了一顿——不同噪声的数学模型不一样，去噪手段也完全不同。你拿高斯滤波器去搞椒盐噪声，效果惨不忍睹。
这一节，咱们就把四种最常见的噪声掰开揉碎讲清楚。我会把数学模型和视觉特征对应起来，这样你以后看到一张带噪图，基本能一眼判断出是哪种噪声。
4.1 高斯噪声
这是最常见的一种噪声，没有之一。我参与过的项目中，十张有问题的图里至少六张是高斯噪声。
数学模型：
高斯噪声的概率密度函数服从正态分布：
P(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))其中 μ 是均值，σ 是标准差。实际图像中，μ 通常为 0，σ 决定了噪声的强度。
视觉特征：
- 整张图像所有像素点都受到干扰，没有明显的孤立噪点
- 看起来像图像上蒙了一层细沙或雪花
- 亮度变化是连续的、平滑的
- σ 越大，图像越模糊，细节丢失越严重
4.2 椒盐噪声
这个名字很形象——就像你在图像上撒了一把盐和胡椒。视觉上就是随机出现的纯白和纯黑像素点。
数学模型：
椒盐噪声的分布是离散的：
P(x) =
p_s, x = 0 (黑点，盐)
p_p, x = 255 (白点，胡椒)
1 - p_s - p_p, x = 原像素值p_s 和 p_p 分别表示黑点和白点出现的概率。通常 p_s = p_p，总噪声密度用 d = p_s + p_p 表示。
视觉特征：
- 图像上随机分布着纯黑和纯白的点
- 噪点之间没有关联，是孤立的
- 背景区域噪点更明显（想想看，白色区域上的黑点特别扎眼）
- 噪声密度 d 超过 0.5 时，图像基本没法看了
4.3 泊松噪声
这个稍微冷门一点，但在低光照条件下特别常见。泊松噪声跟光子计数有关，说白了就是光信号本身的量子特性导致的。
数学模型：
泊松噪声的分布：
P(k) = (λ^k * e^(-λ)) / k!其中 λ 是期望值，也是方差。这里有个关键特性：噪声的方差等于信号强度。信号越强，噪声越大；信号越弱，噪声越小。
视觉特征：
- 噪声强度随像素亮度变化——亮区噪声大，暗区噪声小
- 低光照区域看起来有颗粒感，但不是均匀的
- 不像高斯噪声那样均匀分布在整个图像上
- 在医学成像（如 PET、CT）中特别常见
关键区别：高斯噪声的方差是常数，泊松噪声的方差随信号变化。这个特性决定了去噪策略完全不同。我个人习惯先判断噪声类型，再选算法。
4.4 均匀噪声
均匀噪声在教科书里经常出现，但实际项目中反而少见。不过它的数学特性很干净，适合做理论分析。
数学模型：
均匀噪声的概率密度函数：
P(x) =
1 / (b - a), a ≤ x ≤ b
0, 其他a 和 b 是噪声幅度的上下界。均值是 (a + b)/2，方差是 (b - a)²/12。
视觉特征：
- 噪声幅度在某个范围内均匀分布
- 看起来像电视没信号时的雪花屏，但更均匀
- 没有明显的亮暗偏好
- 量化噪声（模数转换产生的）就属于均匀噪声
4.5 四种噪声对比总结
| 噪声类型 | 分布特性 | 视觉特征 | 常见来源 | 我推荐的处理方式 |
|---|---|---|---|---|
| 高斯噪声 | 正态分布，方差恒定 | 细沙状，均匀覆盖 | 传感器热噪声 | 高斯滤波、BM3D |
| 椒盐噪声 | 离散分布，黑白点 | 孤立黑白点 | 传输错误、存储损坏 | 中值滤波 |
| 泊松噪声 | 泊松分布，方差=均值 | 亮区噪点多，暗区少 | 低光照成像、医学影像 | 方差稳定变换+高斯滤波 |
| 均匀噪声 | 均匀分布，幅度固定 | 均匀雪花 | 量化误差 | 均值滤波 |
一个小技巧：判断噪声类型最快的方法是看直方图。高斯噪声的直方图是钟形曲线，椒盐噪声会在 0 和 255 处出现两个尖峰，泊松噪声的直方图会随亮度偏移，均匀噪声的直方图是平的。嗯，这个方法我用了十年，基本没失手过。
最后说一句，实际图像中的噪声往往是混合的。比如手机夜景照片，既有传感器的高斯噪声，又有低光照下的泊松噪声，还可能因为压缩传输引入椒盐噪声。这时候就需要组合策略了。不过别急，后面几章我会逐一拆解每种噪声的去除方法。