1. 噪声概述

在视频运动检测与计算机视觉系统中，噪声是影响检测精度与稳定性的核心因素之一。传感器暗电流、光照波动、量化误差以及传输干扰都会引入不同类型的噪声。本章系统梳理运动检测场景下最常见的三种噪声——高斯噪声、椒盐噪声和泊松噪声，并深入分析其物理成因与统计特性。

1.1 高斯噪声 (Gaussian Noise)

成因分析：高斯噪声是运动检测中最普遍的加性噪声，主要来源于图像传感器中电子的热运动（暗电流）、前置放大器的热噪声以及模数转换过程中的抖动。其幅度分布服从高斯（正态）分布，概率密度函数为：

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

在视频序列中，高斯噪声通常表现为每个像素上独立同分布的随机波动，对运动边缘和纹理细节造成模糊性干扰。

1.2 椒盐噪声 (Salt-and-Pepper Noise)

成因分析：椒盐噪声表现为图像中随机出现的纯白（盐）或纯黑（椒）像素点。主要成因包括：CMOS/CCD 传感器像素单元失效、传输信道中的位错误、存储介质坏点以及电磁干扰导致的瞬时饱和。在运动检测中，椒盐噪声会引入虚假的前景像素，严重破坏连通性分析。

1.3 泊松噪声 (Poisson Noise)

成因分析：泊松噪声源于光子到达传感器表面的量子特性，在低光照条件下尤为显著。每个像素接收到的光子数服从泊松分布，其方差等于均值。因此，信号越弱，相对噪声比（散粒噪声）越高。在运动检测中，泊松噪声会导致暗区域出现强烈的颗粒感，影响背景建模的准确性。

• 物理根源：光子计数统计，单位时间到达的光子数随机波动。
• 数学形式： P(k) = (λ^k · e^{-λ}) / k! ，其中 λ 为平均光子数。
• 与信号关系： 噪声标准差 = √(信号强度) ，信噪比随信号增大而提高。

小结与对比

运动检测系统需要根据噪声类型选择预处理策略。高斯噪声适合用线性平滑或维纳滤波；椒盐噪声依赖中值滤波等非线性方法；泊松噪声则常用方差稳定变换（如Anscombe变换）或基于泊松模型的去噪算法。下表总结了三种噪声的关键差异：