2. 噪声模型：高斯噪声、椒盐噪声、泊松噪声、乘性噪声的特性与数学模型

做图像处理的人，每天都要跟噪声打交道。我刚开始接触嵌入式图像系统时，总觉得噪声就是「画面不干净」，后来踩了不少坑才明白——不同噪声的脾气完全不同。你用一个均值滤波去处理椒盐噪声，效果可能还行；但要是拿它去对付高斯噪声，嗯，画面糊了噪声还在。

所以这一节，咱们把四种最常见的噪声模型掰开揉碎讲清楚。你搞懂了它们的数学模型，后面设计滤波器时才能「对症下药」。

2.1 高斯噪声——最「温柔」也最普遍的噪声

高斯噪声，说白了就是传感器在弱光环境下自己产生的热噪声。我做过一个安防摄像头的项目，晚上光线不足时，画面里那种密密麻麻的细小颗粒，十有八九就是高斯噪声。

数学模型：

高斯噪声的概率密度函数服从正态分布：

p(z) = (1 / (σ * √(2π))) * exp(-(z - μ)² / (2σ²))

其中：

• z 是像素灰度值
• μ 是均值（通常为0）
• σ 是标准差，决定了噪声的强度

我个人的习惯是，在嵌入式平台上用 Box-Muller 变换 来生成高斯噪声样本。为什么？因为它只需要均匀随机数发生器，而大多数MCU都自带硬件随机数模块。

// 嵌入式C代码：Box-Muller生成高斯噪声
float generate_gaussian_noise(float mean, float stddev) {
    float u1 = (float)rand() / RAND_MAX;
    float u2 = (float)rand() / RAND_MAX;
    float z = sqrt(-2.0f * log(u1)) * cos(2.0f * M_PI * u2);
    return mean + stddev * z;
}

2.2 椒盐噪声——最「暴力」的脉冲干扰

椒盐噪声，你想想看，就像有人往你的图像上撒了一把盐和胡椒。它随机地把某些像素变成纯白（255）或纯黑（0）。

我在做工业视觉检测时遇到过这种情况——产线上的传感器偶尔受到电机启停的电磁干扰，图像上就会出现这种黑白点。说白了，椒盐噪声的本质是数据传输过程中的比特翻转。

数学模型：

p(z) = 
    Pa,  z = 0    (盐噪声，黑色)
    Pb,  z = 255  (椒噪声，白色)
    1 - Pa - Pb,  z = 原始值

其中 Pa 和 Pb 分别是出现黑点和白点的概率，通常 Pa = Pb。

噪声密度	Pa = Pb	视觉效果
低密度 (0.01)	0.005	几乎看不出
中密度 (0.05)	0.025	明显可见黑白点
高密度 (0.2)	0.1	图像严重受损

2.3 泊松噪声——与「光」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——光子到达传感器的过程本身就是一个随机过程。

我记得做天文图像处理时，暗弱星体的图像就受泊松噪声影响很大。为什么？因为星光太弱，到达传感器的光子数量本身就很少，统计涨落就变得明显了。

数学模型：

泊松噪声的特点是：噪声的方差等于信号的强度。

P(X = k) = (λ^k * e^(-λ)) / k!

其中 λ 是像素的真实灰度值（光子数），k 是实际观测到的灰度值。

在嵌入式实现中，我建议用 Anscombe 变换 把泊松噪声转换成近似的高斯噪声，然后再用高斯滤波器处理。这样能复用已有的滤波算法库。

// Anscombe变换：将泊松噪声转为高斯噪声
// 输入：原始像素值 x
// 输出：变换后的值 y
float anscombe_transform(float x) {
    return 2.0f * sqrt(x + 3.0f / 8.0f);
}

2.4 乘性噪声——最「难缠」的噪声

乘性噪声，说白了就是噪声跟信号「绑在一起」了。它不像高斯噪声那样独立于信号，而是随着信号强度变化而变化。

我在做超声成像项目时遇到过这种噪声——探头与皮肤接触不良，导致回波信号出现斑点噪声（speckle noise），这就是典型的乘性噪声。

数学模型：

g(x,y) = f(x,y) * n(x,y)

其中 f 是原始图像，n 是乘性噪声，g 是观测到的图像。

更常见的表达方式是取对数后变成加性噪声：

log(g) = log(f) + log(n)

2.5 四种噪声的对比与选择

好了，四种噪声都讲完了。你可能会问：我该怎么判断图像里是哪种噪声？

我个人有个简单的判断方法：

• 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
• 看局部方差：泊松噪声的方差随亮度变化；乘性噪声的方差与局部均值成正比
• 看空间分布：高斯噪声全图均匀；椒盐噪声是离散的孤立点

噪声类型	数学模型	与信号关系	典型来源	嵌入式处理难度
高斯噪声	加性	独立	传感器热噪声	低
椒盐噪声	脉冲	独立	传输干扰	低
泊松噪声	信号依赖	方差=信号	光子统计涨落	中
乘性噪声	乘积	成正比	超声/雷达	高