1. 噪声基础与图像质量评估体系

各位同学好，我是老张。做图像处理十几年了，今天咱们聊聊降噪这件事的根基——噪声本身长什么样，以及怎么科学地评价一张图到底「好不好」。

说实话，我见过太多人一上来就调参数、上模型，结果噪声没去掉，细节先糊了。为什么？因为连对手是谁都没搞清楚。噪声类型不同，处理策略天差地别。咱们先把底子打牢。

1.1 噪声的三大「面孔」

图像噪声说白了就是传感器或传输过程中混入的随机干扰。我习惯把它们分成三类：高斯、椒盐、泊松。你想想看，这三类噪声的数学特性和视觉表现完全不同。

噪声类型	产生原因	数学特性	视觉表现
高斯噪声	传感器热噪声、电路噪声	服从正态分布，每个像素独立叠加	整幅图蒙上一层「雪花」
椒盐噪声	传输错误、存储介质坏道	随机像素被置为极值（0或255）	黑白点随机散布
泊松噪声	光子计数统计波动（低光照）	噪声强度与信号强度成正比	暗区噪声小，亮区噪声大

1.2 高斯噪声——最常见的对手

高斯噪声在数学上最好描述：每个像素叠加一个均值为0、标准差为σ的随机值。我在项目中遇到过最典型的场景——手机夜景拍摄，传感器温度一上来，高斯噪声就跟着来了。

它的概率密度函数长这样：

P(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))

嗯，这里要注意：σ越大，噪声越强，图像越模糊。但高斯噪声有个好处——它在频域上是均匀分布的，所以用频域滤波（比如小波）效果很好。

1.3 椒盐噪声——最「暴力」的干扰

椒盐噪声就简单粗暴了。随机选一些像素，直接变成纯黑（0）或纯白（255）。我曾经处理过一批老式监控摄像头的视频，传输线缆老化导致大量椒盐噪声，画面跟撒了胡椒面似的。

对付椒盐噪声，中值滤波是经典方案。为什么？因为中值滤波对孤立异常值有天然的鲁棒性。均值滤波反而会把噪声扩散到邻域。

1.4 泊松噪声——低光照的噩梦

泊松噪声比较特殊。它来自光子计数的统计波动——光照越强，光子越多，信噪比越高；光照越弱，光子越少，噪声越明显。说白了，暗部区域噪声更扎眼。

我记得在医学影像项目中，X光片的暗区经常出现泊松噪声。处理时不能用固定阈值的滤波器，因为噪声强度随信号变化。这时候需要方差稳定变换（比如Anscombe变换），先把信号相关噪声变成高斯噪声，再统一处理。

1.5 图像质量评估体系——怎么才算「好」？

降噪做完了，怎么评价效果？不能光靠眼睛看，得有量化指标。我常用的三个指标：SNR、PSNR、SSIM。它们各有侧重，缺一不可。

1.6 信噪比（SNR）——最基础的度量

SNR衡量的是信号功率与噪声功率的比值。单位是dB。公式很简单：

SNR = 10 * log10(信号功率 / 噪声功率)

SNR越高，说明信号越「干净」。但SNR有个问题——它只关心整体功率比，不关心图像结构。一张模糊到看不清的图，SNR可能还挺高。

1.7 峰值信噪比（PSNR）——工业标准

PSNR是SNR的变体，用像素最大值（255）代替信号功率。公式：

PSNR = 10 * log10(255² / MSE)

其中MSE是均方误差。PSNR在30dB以上通常认为质量可接受，40dB以上接近无损。

1.8 结构相似性（SSIM）——更接近人眼

SSIM从亮度、对比度、结构三个维度比较两幅图像。取值范围[-1, 1]，越接近1越好。公式：

SSIM(x, y) = [l(x,y)]^α * [c(x,y)]^β * [s(x,y)]^γ

SSIM最大的优势是：它惩罚结构失真。一张图如果细节被磨平了，PSNR可能还行，但SSIM会明显下降。我建议在降噪任务中，以SSIM为主要指标，PSNR做辅助参考。

1.9 三个指标的对比

指标	优点	缺点	适用场景
SNR	计算简单，物理意义明确	对结构不敏感	系统级噪声评估
PSNR	工业标准，可对比性强	与人眼感知偏差大	编码质量、压缩评估
SSIM	接近人眼，关注结构	计算量稍大	降噪、增强、复原

1.10 本章知识体系

下面这张图把本章的核心逻辑串起来了。从噪声源头到评估指标，一条线走通。