2.1 图像噪声与去噪

2.1 图像噪声与去噪

本节摘要：SOURCE 2.1：噪声来自传感器、传输、量化。本节动手对比均值、中值、高斯滤波对椒盐与高斯噪声的 PSNR，理解「保边 vs 平滑」权衡。

先说结论

1. 合成椒盐与高斯噪声图像
2. 实现三种空间滤波并计算 PSNR
3. 解释中值滤波为何保边

一、噪声类型

import cv2, numpy as np
def psnr(a, b):
    mse = np.mean((a.astype(float)-b.astype(float))**2)
    return 10*np.log10(255**2/mse) if mse else float('inf')

clean = cv2.imread('gray.png', 0)
gauss = clean + np.random.normal(0, 25, clean.shape)
gauss = np.clip(gauss, 0, 255).astype(np.uint8)
sp = clean.copy()
rnd = np.random.rand(*clean.shape)
sp[rnd<0.05] = 0; sp[rnd>0.95] = 255
​

二、去噪滤波

blur = cv2.blur(gauss, (5,5))
median = cv2.medianBlur(sp, 5)
gaussian = cv2.GaussianBlur(gauss, (5,5), 1.0)
print('median on SP', psnr(clean, median))
print('gaussian on gauss', psnr(clean, gaussian))
​

SOURCE 3.2：均值模糊边缘；中值对椒盐最佳；高斯加权更自然。

去噪方法选择

去噪方法选择

三、实验记录表

⚠️ 常见坑：大核中值过平滑纹理 — 核大小需 A/B。

💡 关键直觉：没有万能滤波 — 先看噪声模型。

重点提炼

• 椒盐 → 中值；高斯噪 → 高斯/双边（下节扩展）
• PSNR 量化去噪效果
• 核越大越平滑、越损边
• 去噪常是分割/边缘前第一步

下一节直方图均衡与伽马校正。

噪声模型与滤波器的匹配逻辑

选择去噪滤波器的第一原则是"看噪声长什么样"。椒盐噪声是随机黑白点，属于极端值；中值滤波取邻域中值，能直接把孤立极端值顶掉，同时保留边缘——因为边缘像素在中值运算里不受少数极端值影响。高斯噪声是加性随机扰动，均值和高斯滤波都能抑制，但均值把邻域所有像素一视同仁地平均，边缘和纹理同样被抹平；高斯滤波给中心像素更高权重，保留的边缘相对好一些。理解这个"噪声模型决定滤波器"的逻辑，比记住结论更重要。

import cv2, numpy as np
# 双边滤波：同时考虑空间距离和像素值差异，保边去噪
denoised = cv2.bilateralFilter(gauss, d=9, sigmaColor=75, sigmaSpace=75)
​

保边与平滑的权衡

去噪永远面对"平滑 vs 保边"的矛盾：核越大、滤波越强，噪声越少但边缘越糊。这个权衡在阈值分割和边缘检测前尤其关键——分割前过度去噪会把细小的目标抹掉，边缘检测前去噪不足则碎边遍地。实际工程的做法是"就低不就高"：先用小核试探，能用最小核达到目标就不加大。对纹理丰富的图像，中值和均值都会破坏纹理，此时可考虑保持滤波（保边）或只在低频分量上降噪。

双边滤波与更现代的降噪

双边滤波在空域平滑时加入像素值差异的权重：亮度相近的像素贡献大，差异大的（跨越边缘的）贡献小，于是平滑的同时保住边缘。代价是计算量大，Sigma 参数要按图像灰度范围调节。工程上还有更进一步的 BM3D（块匹配三维协同滤波，非局部思路）和深度学习方法（DnCNN、NAFNet），后者去噪效果更好但需要训练数据。传统方法的价值在于无数据、可解释、低延迟，适合嵌入式实时场景。

实验方法论：PSNR 不是唯一标准

用 PSNR 评估去噪要小心两点：一是它只对"有干净参考图"的合成实验有意义，真实照片没有参考；二是 PSNR 与人眼感知不完全一致——两张 PSNR 相近的图，一张可能更"干净但糊"，另一张"有细节但带噪"。评估去噪效果建议 PSNR 加目视双轨：PSNR 看数值提升，目视确认边缘和纹理是否被保留。实验记录表里除了填 PSNR，还建议写一句对每个结果的主观评价，这是比单纯填数字更有价值的实验产出。

噪声来源的工程视角也值得补充：传感器噪声随曝光时间和 ISO 升高而增大，低照度环境本质是信噪比下降。所以"少噪"的最优解往往不是更强的滤波器，而是更好的采集条件——补光、延长曝光（静态场景）、降低 ISO。去噪只是最后的手段，先问"能不能从源头降低噪声"，是工业项目里更划算的优化路径。本节实验建议用同一张干净图分别叠加椒盐和高斯噪声，再各自用三种滤波器处理，把 PSNR 填进记录表。完成这个对比，你就建立了"噪声类型、滤波器、评价指标"的完整闭环，这是后面所有预处理实验的标准范式。