数字图像学笔记——6. 噪音生成实战：从原理到Python代码实现

1. 噪音生成基础：从生活场景理解数字图像噪音

记得小时候看电视，遇到信号不好的时候屏幕上会出现雪花点吗？那些闪烁的黑白点就是最直观的噪音表现。在数字图像处理中，噪音就像这些干扰电视信号的雪花，是我们需要理解和控制的重要现象。

图像噪音本质上是指图像中出现的随机亮度或颜色变化。就像老式收音机的杂音会干扰音乐欣赏，图像噪音也会影响视觉信息的准确传递。举个生活中的例子：当你用手机在昏暗环境拍照时，照片上经常会出现颗粒感——这就是典型的图像噪音。

为什么我们需要专门研究噪音生成？这就像医生需要了解病毒才能研发疫苗。在图像处理领域，只有清楚噪音的产生机制，才能开发出有效的去噪算法。常见的图像噪音主要来源于三个方面：

• 传感器本身的电子噪声（如CMOS的热噪声）
• 传输过程中的信号干扰
• 量化过程中的精度损失

在Python中，我们可以用NumPy和OpenCV等库来模拟这些噪音。先准备好基础环境：

python复制import numpy as np
import cv2
import matplotlib.pyplot as plt
from PIL import Image

# 读取基础图像
def load_image(path):
    img = Image.open(path).convert('L')  # 转为灰度图
    return np.array(img)

2. 椒盐噪音：数字图像中的"雪花效应"

2.1 椒盐噪音的物理原理

椒盐噪音得名于它在图像上表现为随机分布的黑白点，就像撒了胡椒和盐一样。这种噪音在老旧照片、受干扰的监控视频中很常见。从物理机制来看，它通常由以下原因引起：

• 相机传感器像素损坏
• 数据传输时的位错误
• 存储介质的物理缺陷

在数学上，椒盐噪音可以表示为：

code复制像素值 = { 0 (黑点/胡椒噪音)，概率p/2
        255 (白点/盐噪音)，概率p/2
        原像素值，概率1-p }

其中p是噪音密度，通常在0.01到0.1之间。

2.2 Python实现与参数调优

下面是一个优化的椒盐噪音生成函数，比原始文章中的实现更高效：

python复制def add_salt_pepper(img, prob=0.05):
    """
    img: 输入图像矩阵(0-255)
    prob: 噪音总概率(盐和胡椒各占一半)
    """
    output = np.copy(img)
    # 生成随机掩码
    rnd = np.random.rand(*img.shape)
    # 添加盐噪音(白点)
    output[rnd < prob/2] = 255
    # 添加胡椒噪音(黑点)
    output[(rnd >= prob/2) & (rnd < prob)] = 0
    return output

# 测试不同参数效果
img = load_image('lena.jpg')
noise_1 = add_salt_pepper(img, 0.02)
noise_2 = add_salt_pepper(img, 0.1)
plt.subplot(1,2,1), plt.imshow(noise_1, 'gray'), plt.title('2% noise')
plt.subplot(1,2,2), plt.imshow(noise_2, 'gray'), plt.title('10% noise')
plt.show()

实际应用中需要注意：

1. 对于彩色图像，可以分别处理每个通道
2. 噪音概率prob超过0.3时图像可能严重失真
3. 使用np.copy()避免修改原始图像

3. 高斯噪音：无处不在的随机干扰

3.1 理解高斯分布与图像噪音

高斯噪音是自然界中最常见的噪音类型，它的特点是信号值在真实值附近做微小波动。想象一下测量室温：即使用最精确的温度计，连续测量结果也会有微小差异，这些差异往往符合高斯分布。

数学上，一维高斯分布公式为：

code复制f(x) = (1/(√(2π)σ)) * exp(-(x-μ)²/(2σ²))

其中μ是均值，σ是标准差。在图像处理中，我们通常使用μ=0的高斯噪音。

3.2 高效实现与可视化对比

原始文章中的实现可以进一步优化，利用NumPy的向量化运算：

python复制def add_gaussian_noise(img, mean=0, sigma=25):
    """
    img: 输入图像矩阵
    mean: 噪音均值
    sigma: 噪音标准差
    """
    gauss = np.random.normal(mean, sigma, img.shape)
    noisy = np.clip(img + gauss, 0, 255).astype(np.uint8)
    return noisy

# 测试不同标准差效果
img = load_image('lena.jpg')
noises = [
    ('σ=10', add_gaussian_noise(img, 0, 10)),
    ('σ=30', add_gaussian_noise(img, 0, 30)),
    ('σ=60', add_gaussian_noise(img, 0, 60))
]

plt.figure(figsize=(10,5))
for i, (title, noisy) in enumerate(noises):
    plt.subplot(1,3,i+1)
    plt.imshow(noisy, 'gray')
    plt.title(title)
plt.tight_layout()
plt.show()

关键点说明：

1. np.random.normal()直接生成高斯分布随机数
2. np.clip()确保像素值在0-255范围内
3. sigma值越大，图像越模糊
4. 对于彩色图像，可以在HSV空间只对V通道加噪

4. 泊松噪音：光子级别的随机波动

4.1 泊松噪音的量子本质

泊松噪音（又称散粒噪声）源于光的量子特性。当光线很弱时，光的粒子性显现出来，光子到达传感器的时间是随机的。这就像在下雨天，雨滴打在伞上的分布也是随机的。

泊松分布的概率质量函数为：

code复制P(k;λ) = (e^{-λ} * λ^k) / k!

其中λ是单位时间内事件的平均发生次数，k是实际观测到的次数。

4.2 Python实现与光强模拟

在图像处理中，我们可以利用泊松过程来模拟低光照条件下的图像噪声：

python复制def add_poisson_noise(img, photon_level=50):
    """
    img: 输入图像矩阵(0-255)
    photon_level: 模拟的光子数量级别
    """
    # 归一化并转换为光子计数
    img_normalized = img / 255.0
    photon_counts = photon_level * img_normalized
    # 生成泊松噪声
    noisy_counts = np.random.poisson(photon_counts)
    # 转换回图像范围
    noisy_img = np.clip(noisy_counts / photon_level * 255, 0, 255)
    return noisy_img.astype(np.uint8)

# 模拟不同光照条件
img = load_image('lena.jpg')
levels = [10, 50, 200]  # 模拟不同光照强度
plt.figure(figsize=(10,5))
for i, level in enumerate(levels):
    noisy = add_poisson_noise(img, level)
    plt.subplot(1,3,i+1)
    plt.imshow(noisy, 'gray')
    plt.title(f'λ={level}')
plt.tight_layout()
plt.show()

实际应用中发现：

1. photon_level越小，噪声越明显（模拟低光照）
2. 泊松噪声在高亮度区域更明显
3. 与高斯噪声不同，泊松噪声的强度与信号强度相关

5. 综合应用与效果对比

5.1 三种噪音的视觉特征比较

为了直观理解三种噪音的区别，我们在同一图像上应用相同强度的不同噪音：

python复制img = load_image('lena.jpg')

# 设置相近的噪声强度
salt_pepper = add_salt_pepper(img, 0.05)
gaussian = add_gaussian_noise(img, 0, 30)
poisson = add_poisson_noise(img, 50)

# 绘制对比
plt.figure(figsize=(12,4))
plt.subplot(1,3,1), plt.imshow(salt_pepper, 'gray'), plt.title('椒盐噪声')
plt.subplot(1,3,2), plt.imshow(gaussian, 'gray'), plt.title('高斯噪声')
plt.subplot(1,3,3), plt.imshow(poisson, 'gray'), plt.title('泊松噪声')
plt.tight_layout()
plt.show()

特征总结：

• 椒盐噪声：明显的黑白点，位置随机
• 高斯噪声：整体"模糊"效果，均匀分布
• 泊松噪声：亮度越高噪声越明显，呈现颗粒感

5.2 实际应用中的选择建议

根据我的项目经验，不同场景适合不同的噪声模型：

1. 图像增强算法测试：推荐使用高斯噪声，因为最常见
2. 老旧照片修复：椒盐噪声+高斯噪声组合更真实
3. 低光图像处理：泊松噪声最能模拟真实情况
4. 算法鲁棒性测试：可以混合所有三种噪声

一个实用的混合噪声函数实现：

python复制def add_mixed_noise(img, salt_prob=0.01, gauss_sigma=10, photon_level=100):
    # 按顺序添加各种噪声
    noisy = add_salt_pepper(img, salt_prob)
    noisy = add_gaussian_noise(noisy, 0, gauss_sigma)
    noisy = add_poisson_noise(noisy, photon_level)
    return noisy

在图像处理项目中，理解这些噪声特性可以帮助我们：

• 更好地评估去噪算法效果
• 合成更真实的训练数据
• 理解图像采集设备的局限性
• 优化图像采集参数设置