2. 图像噪声模型：高斯噪声、泊松噪声、椒盐噪声的数学建模与仿真

各位同学好，我是你们的讲师。今天咱们来聊聊图像噪声。说实话，噪声这东西，做图像处理的人天天见。你想想看，只要是真实传感器拍出来的照片，就一定有噪声。我刚开始做这个方向时，总觉得噪声是“脏东西”，恨不得一键清除。后来才明白——不了解噪声的脾气，就别想做好降噪。

这一章，我们就来解剖三种最常见的噪声：高斯噪声、泊松噪声、椒盐噪声。我会从数学建模讲到代码仿真，中间穿插一些我在项目里踩过的坑。

2.1 高斯噪声：最“标准”的噪声模型

高斯噪声，说白了就是加性白噪声。它的概率密度函数长这样：

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

其中 μ 是均值，σ 是标准差。在图像里，我们通常假设 μ=0，σ 控制噪声强度。

我个人习惯用 np.random.normal() 来生成。但要注意——图像像素值范围是 [0, 255]，加完噪声后一定要做截断处理。不然会出现像素值溢出，比如 260 这种“非法值”。

来看代码：

import cv2
import numpy as np

def add_gaussian_noise(image, mean=0, sigma=25):
    """
    给图像添加高斯噪声
    :param image: 输入图像 (uint8, [0,255])
    :param mean: 噪声均值
    :param sigma: 噪声标准差
    :return: 加噪图像
    """
    noise = np.random.normal(mean, sigma, image.shape)
    noisy = image.astype(np.float32) + noise
    noisy = np.clip(noisy, 0, 255).astype(np.uint8)
    return noisy

# 使用示例
img = cv2.imread('lena.png', cv2.IMREAD_GRAYSCALE)
noisy_img = add_gaussian_noise(img, sigma=30)

这里有个坑——np.random.normal 生成的是 float64，直接加给 uint8 会溢出。我刚开始学的时候没注意，结果图像一片白，还以为是代码写错了。后来才反应过来，一定要先转 float 再截断。

2.2 泊松噪声：低光照下的“硬骨头”

泊松噪声，也叫散粒噪声。它跟高斯噪声最大的区别是——噪声强度跟信号强度有关。你想想看，在暗光环境下拍照，噪点是不是特别多？那就是泊松噪声在作怪。

数学上，泊松分布的概率质量函数是：

P(k) = (λ^k * e^(-λ)) / k!

在图像里，λ 就是像素的真实强度值。也就是说，像素越亮，噪声方差越大。

我在做夜间监控项目时遇到过这个问题。白天效果很好的降噪算法，到了晚上就崩了。后来分析才发现，是泊松噪声的“信号相关”特性没处理好。

正确的仿真代码：

def add_poisson_noise(image):
    """
    给图像添加泊松噪声（散粒噪声）
    :param image: 输入图像 (uint8, [0,255])
    :return: 加噪图像
    """
    # 将像素值映射到光子计数范围
    # 通常需要缩放，因为泊松分布的 λ 不能太大
    scale = 0.1  # 缩放因子，控制噪声强度
    lam = image.astype(np.float32) * scale
    noisy = np.random.poisson(lam)
    # 还原到 [0,255] 范围
    noisy = (noisy / scale).astype(np.uint8)
    noisy = np.clip(noisy, 0, 255)
    return noisy

这里 scale 参数很关键。它控制着“光子计数”的缩放比例。scale 越小，噪声越明显。我一般用 0.05~0.2 来模拟不同光照条件。

2.3 椒盐噪声：最“暴力”的噪声

椒盐噪声，顾名思义，就是图像上随机出现白点（盐）和黑点（椒）。它不像前两种噪声那样“温和”，而是直接把像素值替换成极端值。

它的数学模型很简单：

• 每个像素以概率 p/2 变成 0（黑点）
• 每个像素以概率 p/2 变成 255（白点）
• 每个像素以概率 1-p 保持不变

其中 p 就是噪声密度。

仿真代码：

def add_salt_pepper_noise(image, density=0.05):
    """
    给图像添加椒盐噪声
    :param image: 输入图像 (uint8, [0,255])
    :param density: 噪声密度 (0~1)
    :return: 加噪图像
    """
    noisy = image.copy()
    total_pixels = image.size
    
    # 椒噪声（黑点）
    num_pepper = int(total_pixels * density / 2)
    coords = [np.random.randint(0, i, num_pepper) for i in image.shape]
    noisy[coords[0], coords[1]] = 0
    
    # 盐噪声（白点）
    num_salt = int(total_pixels * density / 2)
    coords = [np.random.randint(0, i, num_salt) for i in image.shape]
    noisy[coords[0], coords[1]] = 255
    
    return noisy

2.4 三种噪声的对比与选择

我把三种噪声的关键参数整理成了表格，方便你对照：

噪声类型	数学分布	与信号关系	关键参数	典型场景
高斯噪声	正态分布	加性，独立	均值 μ，标准差 σ	传感器热噪声、放大器噪声
泊松噪声	泊松分布	信号相关	λ（像素强度）	低光照成像、医学影像
椒盐噪声	伯努利分布	像素替换	噪声密度 d	传输错误、存储损坏

在实际项目中，我建议你这样选：

• 做通用算法验证：用高斯噪声就够了，简单可控
• 做低光照场景：必须加泊松噪声，否则算法在真实场景会失效
• 做鲁棒性测试：三种噪声都加，看看算法能扛到哪种程度

2.5 仿真实验：看看噪声长什么样

我们来做一个简单的对比实验。假设有一张 256x256 的灰度图，分别添加三种噪声：

import matplotlib.pyplot as plt

# 生成测试图像（渐变灰度图）
x = np.linspace(0, 255, 256)
y = np.linspace(0, 255, 256)
X, Y = np.meshgrid(x, y)
test_img = ((X + Y) / 2).astype(np.uint8)

# 添加噪声
gaussian_img = add_gaussian_noise(test_img, sigma=30)
poisson_img = add_poisson_noise(test_img, scale=0.1)
sp_img = add_salt_pepper_noise(test_img, density=0.05)

# 显示结果
plt.figure(figsize=(12, 3))
plt.subplot(141); plt.imshow(test_img, cmap='gray'); plt.title('原图')
plt.subplot(142); plt.imshow(gaussian_img, cmap='gray'); plt.title('高斯噪声 σ=30')
plt.subplot(143); plt.imshow(poisson_img, cmap='gray'); plt.title('泊松噪声 scale=0.1')
plt.subplot(144); plt.imshow(sp_img, cmap='gray'); plt.title('椒盐噪声 d=0.05')
plt.tight_layout()
plt.show()

你会发现：高斯噪声让整张图“蒙了一层雾”；泊松噪声在亮区更明显；椒盐噪声则是零散的黑白点。每种噪声的“长相”都不一样，对应的降噪策略也完全不同。

2.6 避坑指南：我踩过的三个坑

最后分享几个实战中容易犯的错误：

1. 忘记截断像素值：加完噪声后像素可能超出 [0,255]，不截断的话，imshow 会显示异常。我早期调试时经常被这个坑到。
2. 泊松噪声的缩放因子：直接对 uint8 图像做泊松采样，λ 太大（比如 200）会导致分布近似高斯，失去泊松特性。一定要先缩放。
3. 椒盐噪声的对称性：有些实现只加白点不加黑点，或者比例不对。记得保持椒盐各半，除非你有特殊需求。