图像噪声基础：噪声类型与数学表示

做图像处理这些年，我有个很深的体会——不懂噪声，就别谈降噪。就像医生看病，连病原体长什么样都不知道，开什么药都是瞎蒙。

这一章，咱们就把图像噪声的底裤扒干净。我会从最常见的三种噪声讲起，再给出它们的数学模型。嗯，这部分可能有点数学味，但别怕，我会用项目里的实际例子帮你理解。

什么是图像噪声？

说白了，噪声就是图像里不该出现的随机信号。你拍一张纯色的墙，放大一看，像素值不是完全均匀的，有的亮一点，有的暗一点——这就是噪声。

我刚开始做图像处理时，总觉得噪声是硬件的问题，跟我算法没关系。后来被现实狠狠教育了一顿：噪声无处不在，而且每种噪声的脾气都不一样。

三种最常见的噪声类型

实际项目中，90%以上的噪声都可以归为以下三类。我按遇到的频率排个序：

噪声类型	产生原因	典型场景	我的踩坑记录
高斯噪声	传感器热噪声、电子电路抖动	暗光拍摄、长曝光	监控摄像头在夜晚几乎全是高斯噪声
椒盐噪声	传输错误、存储介质坏道	老旧摄像头、无线传输	无人机图传经常出现黑白点
泊松噪声	光子计数统计特性	低光照、医学成像	显微镜图像在弱光下特别明显

高斯噪声：最普遍的噪声

高斯噪声是图像处理界的「常客」。它的特点是：每个像素的噪声值服从正态分布。

数学上长这样：

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）

我个人习惯把高斯噪声想象成「每个像素上叠加了一个随机小扰动」。扰动的大小由σ决定，σ越大，图像越花。

给图像加高斯噪声的代码很简单：

import numpy as np
import cv2

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

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

椒盐噪声：最显眼的噪声

椒盐噪声，说白了就是图像上随机出现的一些纯白或纯黑的点。白的叫「盐」，黑的叫「椒」。

为什么叫这个名字？你想想看，往一盘菜里撒点盐和胡椒，是不是就这种效果？

数学模型更直接：

对于每个像素位置 (i, j)：
  - 以概率 p/2 设为 0（黑点，椒）
  - 以概率 p/2 设为 255（白点，盐）
  - 以概率 1-p 保持原值

其中 p 是噪声密度，范围 0~1

我曾经接手过一个项目，客户说他们的监控画面「全是雪花点」。我一看，好家伙，椒盐噪声密度高达0.3，也就是30%的像素都坏了。后来发现是传输线路的屏蔽层老化导致的。

生成椒盐噪声的代码：

def add_salt_pepper_noise(image, prob=0.05):
    output = image.copy()
    # 椒噪声（黑点）
    mask_pepper = np.random.random(image.shape) < prob/2
    output[mask_pepper] = 0
    # 盐噪声（白点）
    mask_salt = np.random.random(image.shape) < prob/2
    output[mask_salt] = 255
    return output

泊松噪声：最「物理」的噪声

泊松噪声跟前面两种不太一样。它来源于光的量子特性——光子到达传感器的数量本身就是一个随机过程。

数学上，泊松噪声的模型是：

观测到的像素值 ~ Poisson(λ)

其中 λ = 真实的光子数（也就是无噪声时的像素值）

泊松分布的概率质量函数：
P(k) = (λ^k * e^(-λ)) / k!

k = 观测到的光子数
λ = 期望光子数

这里有个有意思的特性：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。这跟高斯噪声完全不同——高斯噪声的强度跟信号无关。

我在做医学X光图像处理时，对这个体会特别深。X光成像本身就是光子计数过程，低剂量拍摄时，图像暗部的噪声特别明显，就是因为泊松噪声在作怪。

模拟泊松噪声的代码：

def add_poisson_noise(image):
    # 泊松噪声的强度与像素值成正比
    # 需要先把像素值缩放到合适的范围
    scaled = image / 255.0 * 100  # 缩放因子可调
    noisy = np.random.poisson(scaled)
    return np.clip(noisy / 100 * 255, 0, 255).astype(np.uint8)

三种噪声的对比总结

为了让你一眼看明白，我画了张对比表：

特性	高斯噪声	椒盐噪声	泊松噪声
分布形态	连续、对称	离散、二值	离散、偏态
与信号关系	独立	独立	相关（方差=均值）
视觉表现	颗粒感、模糊	黑白点	暗部颗粒明显
常用降噪方法	高斯滤波、双边滤波	中值滤波	Anscombe变换+高斯滤波
参数控制	σ（标准差）	p（密度）	λ（均值）

噪声模型的知识体系

下面这张图，是我自己梳理的噪声知识框架。每次带新人时，我都会先让他们看这个：

为什么必须搞懂噪声类型？

你可能会问：知道这些数学公式有什么用？我直接调个滤波函数不就行了？

嗯，这里有个坑。我曾经接手过一个项目，同事用高斯滤波去处理椒盐噪声，结果越滤越花。为什么？因为高斯滤波对椒盐噪声基本无效，反而会把噪声扩散到周围像素。

选错降噪方法，比不降噪还糟糕。

所以我的建议是：拿到一张带噪图像，先花30秒判断噪声类型。怎么判断？

• 看直方图：高斯噪声的直方图是平滑的钟形，椒盐噪声会在0和255处出现尖峰
• 看局部区域：放大暗部区域，如果颗粒感均匀，大概率是高斯噪声；如果出现孤立黑白点，就是椒盐噪声
• 看亮度关系：如果暗部噪声明显比亮部严重，很可能是泊松噪声