1. 图像噪声基础：噪声类型、模型与影响

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信号。我刚开始做图像处理时，总觉得噪声就是「画面不干净」，后来踩了不少坑才明白——不理解噪声的数学模型，降噪算法就是瞎调参数。

这一节我们先把噪声的底牌翻清楚。你想想看，连对手长什么样都不知道，怎么打赢它？

1.1 三大主流噪声类型

实际项目中，90% 的噪声逃不出下面三种。我列个表，方便你对照着看。

噪声类型	产生原因	典型场景	数学分布
高斯噪声	传感器热噪声、电路暗电流	手机夜景拍摄、监控摄像头	正态分布
椒盐噪声	像素值传输错误、存储介质坏道	老旧摄像头、无线传输丢包	二值脉冲分布
泊松噪声	光子到达的量子随机性	低光照医学成像、天文摄影	泊松分布

1.2 高斯噪声：最常遇到的对手

高斯噪声的数学形式很简单：

I_noisy(x, y) = I_clean(x, y) + n(x, y)
n(x, y) ~ N(0, σ²)

每个像素位置独立叠加一个服从正态分布的随机值。均值 0，方差 σ² 控制噪声强度。

我在项目中遇到过一件事：有次做安防摄像头的去噪算法，甲方说「画面噪点太多」。我一看，σ 大概在 15 左右，属于中等强度高斯噪声。但奇怪的是，用均值滤波效果很差。后来发现——他们摄像头用的是 CMOS 传感器，噪声其实是高斯 + 泊松的混合体。这就是典型的「模型误判」坑。

1.3 椒盐噪声：黑白点捣乱

椒盐噪声的模型更直接：

I_noisy(x, y) = 
  0 (黑点)  以概率 p/2
  255 (白点) 以概率 p/2
  I_clean(x, y) 以概率 1-p

p 是总噪声密度，一般 p 在 0.01~0.05 就肉眼可见了。p 到 0.1 以上，画面基本没法看。

我曾经调试一个老式工业相机，图像上总有零星白点。一开始以为是灰尘，擦了镜头也没用。后来用直方图一看——0 和 255 两个峰值异常突出，典型的椒盐噪声。原来是传输线缆屏蔽层老化，数据包偶尔丢位。

1.4 泊松噪声：信号越强噪声越大

泊松噪声比较特殊。它的方差等于均值：

I_noisy(x, y) ~ Poisson(λ = I_clean(x, y))

这意味着亮区噪声大，暗区噪声小。高斯噪声是均匀分布的，泊松噪声是信号相关的。

我记得做医学 X 光图像增强时，就遇到了泊松噪声。低剂量 X 光下，图像暗部信噪比极差，但亮部反而还行。如果用高斯噪声模型去处理，暗部会被过度平滑，丢失病灶细节。

1.5 噪声对后续处理的影响

噪声不只是「看着不舒服」，它会破坏后续算法的效果。我整理了一张影响清单：

后续处理	噪声影响	后果
边缘检测	噪声产生虚假边缘	Canny 算子输出一堆假轮廓
图像分割	阈值漂移、区域粘连	分割结果破碎或过合并
特征提取	角点/斑点定位偏移	SIFT/SURF 匹配失败率上升
图像压缩	高频分量增多	JPEG 压缩率下降，块效应加重
深度学习	训练数据分布偏移	模型泛化能力下降

举个例子。我做边缘增强时，如果输入图像有高斯噪声，Sobel 算子会把噪声点也当成边缘。结果就是——边缘没增强，噪声先被放大了。所以降噪永远是边缘增强的前置步骤，顺序不能乱。

1.6 本章知识体系

下面这张图把三种噪声的核心要素串起来了。你可以把它当作战术地图用。