图像噪声基础：噪声模型、参数估计与评价指标
各位同学，今天我们来聊聊图像噪声。说实话，噪声这东西，做图像处理的人天天见。你拍一张夜景照片，满屏的颗粒感；你做一个医学CT，图像上那些不该有的斑点——都是噪声在捣乱。
我刚开始接触这个领域时，总觉得噪声就是“图像不干净”。后来踩了不少坑才明白：不理解噪声的数学模型，你做的降噪算法就是瞎蒙。这一章，我们就从噪声的根儿上说起。
核心观点：噪声不是随机的“脏东西”，它有明确的统计规律。掌握了这些规律，你才能设计出真正有效的降噪算法。
2.1 三大经典噪声模型
实际工程中，我们遇到的噪声五花八门。但万变不离其宗，绝大多数都能归到三种基本模型里。我个人习惯把它们叫做“三剑客”：高斯、泊松、椒盐。
2.1.1 高斯噪声
这是最常见的噪声模型。传感器热噪声、电路噪声，基本都是高斯分布。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。说白了，大部分噪声值都集中在均值附近，离得越远概率越小。
我在项目中遇到过一个典型的案例：某安防摄像头在低光照下画面全是颗粒。我一看直方图，好家伙，标准的钟形曲线——高斯噪声无疑。后来用高斯滤波配合BM3D，效果立竿见影。
| 参数 | 含义 | 典型值 |
|---|---|---|
| μ（均值） | 噪声的直流分量 | 通常为0 |
| σ（标准差） | 噪声的强度 | 10-50（8位图像） |
小技巧：判断是不是高斯噪声，看直方图就行。如果图像暗区的直方图呈对称的钟形，基本就是高斯噪声。我一般用这个快速诊断问题。
2.1.2 泊松噪声
泊松噪声跟光子计数有关。你想想看，相机传感器接收光子，本质上是个随机过程。光子数越少，随机性越强——这就是泊松噪声的来源。
它的特点是：噪声强度跟信号强度成正比。亮的地方噪声大，暗的地方噪声小。这在低光照条件下特别明显。
P(k) = (λ^k * e^(-λ)) / k!λ 是平均光子数，k 是实际观测到的光子数。嗯，这里要注意：泊松噪声的方差等于均值，这是它和高斯噪声最大的区别。
我曾经在荧光显微镜图像处理中吃过亏。一开始用高斯模型去拟合，结果怎么调参数都不对。后来换成泊松模型，一下就通了。为什么？因为荧光信号本身就是光子计数过程，天生就是泊松分布。
2.1.3 椒盐噪声
椒盐噪声，说白了就是图像上随机出现的黑白点。黑的叫“椒”，白的叫“盐”。这玩意儿在传输信道中特别常见，比如老式电视机的雪花点。
它的数学模型很简单：
p(x) =
a, x = 0 (椒点)
b, x = 255 (盐点)
1-a-b, 其他 (正常像素)a 和 b 分别表示椒点和盐点的出现概率。我见过最夸张的一次，a=0.3，b=0.3——整张图几乎被噪声淹没了。
避坑指南：椒盐噪声不能用均值滤波！我刚开始学的时候，用均值滤波去处理椒盐噪声，结果噪声没去掉，反而把边缘搞模糊了。正确的做法是用中值滤波——它对椒盐噪声有奇效。
2.2 噪声参数估计
知道了噪声类型，下一步就是估计参数。你想想看，不知道σ多大，你怎么设计滤波器？
我常用的方法有三种：
- 图像块法：找图像中均匀的区域（比如天空、墙壁），计算局部方差。这个方法简单粗暴，但要求场景中有平坦区域。
- 小波变换法：利用小波分解后，高频子带基本就是噪声。这个方法更鲁棒，我项目中用得最多。
- 残差法：先用一个平滑滤波器处理图像，然后用原图减平滑图，残差就是噪声的近似。
举个具体的例子。假设我们有一张带高斯噪声的图像，想估计σ：
import numpy as np
from skimage import io, filters
# 读取图像
img = io.imread('noisy_image.png', as_gray=True)
# 方法1：图像块法
patch = img[100:150, 100:150] # 选一个平坦区域
sigma_est = np.std(patch)
print(f'估计的噪声标准差: {sigma_est:.2f}')
# 方法2：小波变换法
from pywt import dwt2
cA, (cH, cV, cD) = dwt2(img, 'db1')
sigma_est_wavelet = np.median(np.abs(cH)) / 0.6745
print(f'小波法估计: {sigma_est_wavelet:.2f}')经验之谈：小波法中的0.6745是个经验常数，来自高斯分布的MAD（中位偏差）与标准差的关系。这个值我记了十年，每次都用。
2.3 信噪比与峰值信噪比
参数估计完了，怎么评价噪声水平？这就轮到信噪比（SNR）和峰值信噪比（PSNR）出场了。
2.3.1 信噪比（SNR）
SNR的定义很简单：信号功率除以噪声功率。用分贝表示：
SNR(dB) = 10 * log10(信号功率 / 噪声功率)信号功率就是图像像素值的方差，噪声功率就是噪声的方差。SNR越高，图像质量越好。
我记得有一次做卫星图像处理，客户要求SNR不低于30dB。结果我们采集的数据只有22dB，图像上全是条纹噪声。后来通过多帧平均，硬是把SNR提到了32dB——客户满意了，我们团队熬了三个通宵。
2.3.2 峰值信噪比（PSNR）
PSNR是SNR的变种，它用图像的最大可能像素值代替信号功率。对于8位图像，最大像素值是255：
PSNR(dB) = 10 * log10(255² / MSE)其中MSE是均方误差。PSNR在图像压缩、降噪领域用得特别多。一般来说：
| PSNR范围 | 图像质量 |
|---|---|
| > 40 dB | 极好（接近无损） |
| 30 - 40 dB | 良好（肉眼难辨差异） |
| 20 - 30 dB | 一般（可见失真） |
| < 20 dB | 差（不可接受） |
注意：PSNR不是万能的。我见过PSNR很高但视觉效果很差的案例——比如过度平滑的图像，PSNR可能不低，但细节全没了。所以实际项目中，我都是PSNR和主观评价一起用。
2.4 本章知识体系
说了这么多，我们来画个图，把这一章的核心逻辑串起来。噪声模型是基础，参数估计是手段，评价指标是标尺——三者缺一不可。
这张图把本章的核心逻辑说清楚了。从噪声模型出发，到参数估计，再到评价指标——每一步都是为后续的降噪算法打基础。