【精品博文】不可避免的图像噪声

第一次接触”噪声”这个专业词汇,是在信号与系统课上,老师当时的解释是”不想要的干扰信号”。后来在模电和FPGA设计中，也经常遇到这个词(FPGA中的毛刺)。如今学习图像处理，再一次碰到它，看来，”噪声”真的是随处可见。

一般提到噪声，首先映入脑海的，应该是耳朵听到的嘈杂、尖锐的呲呲声。显然，声音就是一种信号，信号在传播的时候难免会受到干扰，正是这些干扰导致了噪声的出现。当然，图像的像素也可以看作是一种信号，那么，图像噪声的出现就是不可避免的了。

噪声的分类方法有很多种，可以从产生原因、统计理论观点、噪声源等等角度去分类。由于接下来得学习多种去噪算法，需要引进数学模型，因此重点放在按概率密度函数分类。但是，为什么可以按概率密度函数分类呢？因为噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。下面介绍几种常见的噪声分布模型。

（1）椒盐噪声（salt & pepper noise）

椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。通常，椒盐噪声是指两种噪声，一种是盐噪声（salt noise），另一种是胡椒噪声（pepper noise）。盐=白色，椒=黑色。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点。（去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。）

（2）高斯噪声（gaussian noise）

高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。常见的高斯噪声包括起伏噪声、宇宙噪声、热噪声和散粒噪声等等。

（3）泊松噪声（poisson noise）

泊松噪声就是指它的概率密度函数服从泊松分布的一类噪声。

（4）speckle噪声

（…）