泊松-高斯模型：从理论到实践，构建更真实的图像噪声模拟

1. 泊松-高斯模型的核心原理

当你用手机在夜晚拍照时，是否发现画面充满颗粒感？这就是典型的图像噪声问题。泊松-高斯模型就像一位"噪声翻译官"，能精确解析这些颗粒背后的数学语言。我在处理天文望远镜图像时，曾用这个模型成功还原了被噪声淹没的星云细节。

模型的核心在于理解两种噪声的"性格差异"：

• 泊松噪声像情绪化的艺术家，它的波动强度与信号强度成正比。想象演唱会现场，观众欢呼声（信号）越大，随机尖叫（噪声）的幅度也越大。数学上表现为：若像素值为100，噪声方差就是100。
• 高斯噪声则像稳定的背景音，无论信号强弱都保持固定波动。就像录音棚里恒定的电流声，用零均值、固定方差的正态分布描述。

二者的组合公式看似简单：

python复制I_noisy = I_clean + Poisson(I_clean) + Gaussian(0, σ²)

但我在实际编码时发现三个易错点：

1. 泊松噪声生成需要先做尺度转换，因为OpenCV等库的泊松函数通常以λ=1为基准
2. 高斯噪声的σ值对暗部影响更显著，我在处理监控视频时设为0.5-3效果最佳
3. 最终结果需要做数值截断，防止超出0-255范围

2. 低光照场景的噪声特性拆解

去年为水下机器人设计视觉系统时，我通过实验发现：在5lux以下照度时，泊松噪声会呈现特殊的"盐粒效应"。这是常规高斯模型无法模拟的典型特征。

2.1 照度与噪声的量化关系

通过搭建可控光照实验台（使用LED阵列+光度计），我们得到关键数据：

这说明在月光环境（约1lux）下，传统去噪算法会失效，因为它们过度关注高斯噪声。我的解决方案是动态调整模型参数：

python复制def adaptive_noise(img, lux):
    poisson_ratio