2. 图像噪声基础：噪声的定义、来源与模型概述

在数字图像处理中，噪声是指图像中与真实场景无关的、随机或伪随机的像素值波动。噪声会降低图像质量，掩盖细节，并影响后续分析（如边缘检测、目标识别）的准确性。理解噪声的本质、来源和数学模型，是设计有效降噪算法的前提。

2.1 噪声的定义

从信号处理角度看，图像噪声可建模为加性干扰：

g(x, y) = f(x, y) + n(x, y)

其中：

• g(x, y) — 观测到的含噪图像像素值
• f(x, y) — 理想的无噪声图像（真实信号）
• n(x, y) — 噪声分量，通常视为随机变量

噪声具有以下关键特性：

• 随机性：噪声的幅度和位置不可精确预测，只能用概率分布描述。
• 空间不相关性（理想情况）：相邻像素的噪声值相互独立。
• 统计平稳性：噪声的统计特性（均值、方差）在整幅图像中基本一致。

2.2 噪声的来源

图像噪声主要产生于以下三个环节：

2.3 噪声模型概述

为了在算法中有效处理噪声，需要建立数学模型。以下是三种最常用的噪声模型：

2.3.1 高斯噪声

高斯噪声是最普遍的加性噪声模型，其概率密度函数 (PDF) 为：

p(z) = (1 / (σ * √(2π))) * exp(-(z - μ)² / (2σ²))

• μ — 均值（通常为 0）
• σ — 标准差（控制噪声强度）

高斯噪声适用于模拟传感器热噪声、放大器噪声等。

2.3.2 椒盐噪声

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，其 PDF 为：

p(z) = 
  Pa,  z = 0 (黑点)
  Pb,  z = 255 (白点)
  0,   其他

• Pa — 黑点概率
• Pb — 白点概率

椒盐噪声常见于传输信道错误或存储介质损坏。

2.3.3 泊松噪声

泊松噪声（散粒噪声）与信号强度相关，其方差等于信号均值。在低光照条件下尤为显著，常见于医学成像和天文摄影。

2.4 噪声模型对比

2.5 噪声模型与降噪策略关系图

下图展示了不同噪声模型对应的典型降噪策略选择路径：

2.6 噪声参数估计实践

在实际项目中，通常需要从图像中估计噪声参数。以下是一个简单的噪声方差估计流程：

1. 选择平坦区域：选取图像中纹理最少的区域（如天空、墙面）。
2. 计算局部方差：对每个像素计算其与邻域均值的差平方。
3. 统计全局噪声方差：对所有局部方差取中位数或均值。

# Python 示例：估计高斯噪声标准差
import numpy as np
from scipy import ndimage

def estimate_noise_std(image):
    # 使用拉普拉斯算子提取高频分量
    laplacian = ndimage.laplace(image)
    # 噪声标准差 ≈ 拉普拉斯响应标准差 * 0.6745
    sigma = np.median(np.abs(laplacian)) / 0.6745
    return sigma