4、噪声注入方法：高斯噪声、椒盐噪声、泊松噪声对人脸识别的影响

说到数据增强，很多人第一反应就是翻转、旋转、裁剪这些几何变换。但说实话，真正让模型在真实场景中「扛得住」的，往往是噪声注入。我刚开始做人脸识别时，觉得模型在实验室数据集上跑得挺好，结果一上线就被用户投诉——晚上在光线不好的地方拍照，识别率直接掉了一半。后来我才意识到，真实世界的图像，没有一张是干净的。

传感器热噪声、传输丢包、光子计数波动……这些都会在图像上留下痕迹。你想想看，如果模型只在「完美图像」上训练，它怎么可能应对这些干扰？

这一章，我们就来聊聊三种最常见的噪声注入方法：高斯噪声、椒盐噪声和泊松噪声。我会结合自己的项目经验，告诉你每种噪声该怎么用、用在哪儿、以及什么时候千万别用。

4.1 高斯噪声：最通用的「脏数据」模拟器

高斯噪声，说白了就是给每个像素加上一个服从正态分布的随机值。它模拟的是传感器在弱光环境下产生的热噪声——这也是真实世界中最常见的噪声类型。

我个人习惯把高斯噪声作为「默认配置」。不管什么项目，我都会先试试高斯噪声增强，因为它足够通用，而且参数好调。

import cv2
import numpy as np

def add_gaussian_noise(image, mean=0, sigma=0.02):
    """
    添加高斯噪声
    Args:
        image: 输入图像 (0-1 范围)
        mean: 噪声均值，通常为 0
        sigma: 噪声标准差，控制强度
    Returns:
        加噪后的图像
    """
    noise = np.random.normal(mean, sigma, image.shape)
    noisy = np.clip(image + noise, 0, 1)
    return noisy

# 使用示例
img = cv2.imread('face.jpg') / 255.0
noisy_img = add_gaussian_noise(img, sigma=0.03)

我在项目中遇到过一个问题：用高斯噪声增强后，模型在白天场景下精度反而下降了。排查后发现，是因为噪声强度设得太高，模型被迫去学习「去噪」，反而忽略了人脸特征。后来我把 σ 降到 0.02，效果就好了很多。

4.2 椒盐噪声：模拟摄像头「坏点」的利器

椒盐噪声，就是随机把一些像素变成纯白（盐）或纯黑（椒）。它模拟的是图像传输过程中的数据丢失，或者摄像头传感器上的坏点。

你想想看，一个用了两三年的摄像头，难免有几个坏点。如果模型没见过这种「点状缺失」，遇到坏点摄像头拍出来的人脸，它可能就认不出来了。

def add_salt_pepper_noise(image, density=0.02):
    """
    添加椒盐噪声
    Args:
        image: 输入图像 (0-1 范围)
        density: 噪声密度，控制被污染的像素比例
    Returns:
        加噪后的图像
    """
    noisy = image.copy()
    h, w = image.shape[:2]
    num_pixels = h * w
    
    # 椒噪声（黑点）
    num_pepper = int(num_pixels * density / 2)
    coords = [np.random.randint(0, i, num_pepper) for i in (h, w)]
    noisy[coords[0], coords[1]] = 0
    
    # 盐噪声（白点）
    num_salt = int(num_pixels * density / 2)
    coords = [np.random.randint(0, i, num_salt) for i in (h, w)]
    noisy[coords[0], coords[1]] = 1
    
    return noisy

# 使用示例
noisy_img = add_salt_pepper_noise(img, density=0.03)

另外，椒盐噪声对 LFW 这类高质量数据集的效果不明显。我建议在训练集里混入 10%~20% 的椒盐噪声增强样本就够了，太多反而会拉低基线精度。

4.3 泊松噪声：低光照场景的「真实杀手」

泊松噪声和前两种不太一样。它的特点是：噪声强度与信号强度相关。也就是说，亮的地方噪声多，暗的地方噪声少。这模拟的是光子计数过程中的统计波动——在低光照条件下尤其明显。

说实话，泊松噪声是我个人觉得最难调的一种。因为它不是「均匀添加」的，而是跟图像内容耦合在一起。用得好，模型在夜间场景下的表现会大幅提升；用不好，模型会学到一些奇怪的伪影。

def add_poisson_noise(image, scale=1.0):
    """
    添加泊松噪声
    Args:
        image: 输入图像 (0-1 范围)
        scale: 缩放因子，控制噪声强度（越小噪声越强）
    Returns:
        加噪后的图像
    """
    # 泊松噪声：噪声方差 = 信号强度
    # scale 越小，噪声越明显
    noisy = np.random.poisson(image * 255 * scale) / (255 * scale)
    noisy = np.clip(noisy, 0, 1)
    return noisy

# 使用示例
noisy_img = add_poisson_noise(img, scale=0.5)

4.4 三种噪声的对比与选择策略

说了这么多，到底该用哪种？我整理了一个对比表，方便你快速决策：

噪声类型	模拟场景	推荐强度	适用场景	注意事项
高斯噪声	传感器热噪声、弱光环境	σ=0.01~0.05	通用场景、白天/室内	强度过高会模糊人脸轮廓
椒盐噪声	传输丢包、摄像头坏点	d=0.01~0.05	老旧设备、网络传输场景	密度超过 0.05 会破坏关键点
泊松噪声	光子计数波动、极低光照	scale=0.5~2.0	夜间监控、医学图像	需配合亮度调整使用

我个人建议的搭配策略是这样的：

• 基础方案：高斯噪声（σ=0.02）+ 椒盐噪声（d=0.02），覆盖 80% 的常见场景
• 进阶方案：在基础方案上，额外加入 10%~20% 的泊松噪声增强样本，专门应对低光照场景
• 极端方案：如果目标场景是夜间户外监控，可以把泊松噪声的比例提高到 50%，同时配合亮度抖动

4.5 避坑指南：噪声注入的常见误区

做噪声增强这几年，我踩过不少坑。这里分享几个最常见的：

1. 噪声强度一刀切：不同人脸区域对噪声的敏感度不一样。眼睛、鼻子这些关键区域，噪声稍微大一点就会影响识别。我建议对关键区域做掩码保护，或者只在非关键区域加噪声。
2. 忽略归一化顺序：先加噪声再归一化，和先归一化再加噪声，结果完全不一样。我的习惯是：先归一化到 [0,1]，再加噪声，最后 clip 到 [0,1]。
3. 训练集和测试集噪声不匹配：如果测试集是干净图像，训练集却加了大量噪声，模型会学偏。我一般会在训练时随机选择 30%~50% 的样本加噪声，剩下的保持干净。
4. 泊松噪声的 scale 理解错误：scale 越小，噪声越强。这个跟直觉是反的。我第一次用的时候就把 scale 设成了 10，结果噪声几乎看不见——白忙活一场。