1. 课程导论：图像噪声的来源与分类

各位同学好，我是这门课的主讲。在正式开始之前，我想先聊聊一个很实际的问题——你拍过夜景照片吧？放大一看，满屏的彩色小点，那就是噪声。做计算机视觉这么多年，我见过太多因为噪声导致模型翻车的案例了。

说白了，噪声就是图像里我们不想要的随机信号。它无处不在，从手机拍照到医学影像，从卫星遥感到工业检测，只要你用传感器采集图像，噪声就跟着来了。这节课我们先摸清噪声的底细。

1.1 噪声从哪来？——三大主流噪声类型

我习惯把噪声分成三类来理解，这样处理起来思路更清晰。你想想看，不同类型的噪声，它们的数学模型、分布特性、处理方式都不一样。

噪声类型	产生原因	数学模型	典型场景
高斯噪声	传感器热噪声、电路噪声	正态分布 N(0, σ²)	暗光环境、长曝光
椒盐噪声	传输错误、像素损坏	随机黑白点	老旧摄像头、无线传输
泊松噪声	光子计数统计波动	泊松分布 P(λ)	低光照、医学X光

高斯噪声

这是最常见的噪声。每个像素上叠加一个服从高斯分布的随机值。我在项目中遇到过最典型的情况——用手机在暗光下拍视频，画面里那种均匀的颗粒感，就是高斯噪声。它的特点是：每个像素独立，幅度服从钟形曲线。

椒盐噪声

这个名字很形象——像撒了盐和胡椒。随机一些像素变成纯白（255）或纯黑（0）。嗯，这里要注意：椒盐噪声不是每个像素都受影响，而是随机位置出现。我曾经处理过一批工业相机拍的电路板图像，传输线缆老化导致大量椒盐噪声，那叫一个头疼。

泊松噪声

这个稍微复杂点。它跟光子的量子特性有关。说白了，光线越暗，光子越少，统计波动就越明显。泊松噪声的方差等于均值——这意味着噪声强度跟信号强度相关。我在医学影像项目里经常遇到，低剂量 CT 的图像噪声就是典型的泊松噪声。

1.2 核心矛盾：降噪 vs. 细节保留

好，现在问题来了。你降噪，细节就没了。你保细节，噪声还在。这就是整个课程要解决的核心矛盾。

为什么会这样？因为噪声和细节在频域上经常重叠。边缘、纹理这些高频细节，跟噪声的高频成分混在一起。你一刀切掉高频，细节也跟着没了。

我习惯用这张图来理解这个权衡：

你看，左边是原始图像，往右上走是过度降噪——图像平滑了但细节没了；往右下走是保留噪声——细节清晰但满屏噪点。我们的目标，就是找到那个绿色的理想平衡点。

1.3 课程目标与学习路径

这门课的目标很明确：让你掌握一套完整的深度学习降噪方法论，既能有效去噪，又能最大限度保留细节。

我把它拆成四个阶段：

1. 基础篇（第1-8章）：噪声建模、传统滤波方法、深度学习基础。先打好地基。
2. 核心篇（第9-18章）：经典降噪网络（DnCNN、FFDNet、CBDNet等）。这部分是硬菜。
3. 进阶篇（第19-25章）：细节保留技术、注意力机制、频域学习。解决核心矛盾。
4. 实战篇（第26-30章）：真实场景案例、模型部署、调优技巧。学完就能用。