---

---

前言

在用相机拍摄工业零件照片时，明明光线很足，画面里却总有零星的 “小雪花”—— 这就是图像噪声。噪声就像照片上的 “小瑕疵”，不仅影响画面观感，还会干扰后续的缺陷检测、特征提取。在很多工程中，都会进行噪声处理。

---

一、先什么是图像噪声

简单说，图像噪声就是图像中 “不该有的像素点”—— 它们不是真实场景的一部分，而是拍摄或传输过程中产生的干扰信号。就像我们听收音机时的杂音，噪声会让图像的细节变得模糊。

常见的噪声来源有 3 种：

1. 硬件问题：相机传感器温度过高（比如工业相机长时间工作）、传感器质量不佳，都会产生噪声；
2. 环境干扰：光线过暗或过亮（比如夜晚拍摄时的 “grainy 颗粒感”）、电磁干扰（比如靠近电机等设备时）；
3. 传输误差：图像数据在传输过程中丢失或被干扰，比如网络传输时的数据包丢失，会导致画面出现 “黑点” 或 “白点”。

二、常见的图像噪声类型

机器视觉里遇到最多的噪声，常见的主要是 “高斯噪声” 和 “椒盐噪声”，两者的样子和处理方式差别很大：

1. 高斯噪声

• 特点：噪声像素的灰度值围绕真实值呈 “高斯分布”（简单理解为 “中间多、两边少”），看起来就像给图像蒙了一层淡淡的薄雾，没有明显的 “亮点” 或 “黑点”，而是整体画质变粗糙。
  
• 常见场景：相机传感器发热（比如夏天长时间拍摄）、低光照环境下自动提高感光度（ISO）。

2. 椒盐噪声

• 特点：噪声像素只有两种 —— 要么是极亮的 “白点”，要么是极暗的 “黑点”（像撒了胡椒），随机分布在图像中，不会成片出现。
• 常见场景：图像传输错误（比如网线接触不良）、传感器损坏（比如相机像素点故障）。
  

三、抑制噪声

噪声会影响后续处理，比如原本要检测零件的小划痕，却被噪声误判，所以必须处理，流程很简单：

1. 噪声检测

• 椒盐噪声：直接肉眼观察 —— 如果图像中有零星的、与周围像素反差极大的白点 / 黑点，基本就是椒盐噪声；

• 高斯噪声：看图像细节是否 “发虚”—— 比如原本清晰的零件边缘变得模糊，放大后能看到像素灰度值 “忽高忽低”，大概率是高斯噪声。

2. 噪声抑制

处理噪声的核心是 “滤波”（具体计算过程可查看机器视觉零基础入门：（五）卷积与卷积核）—— 就像用滤网过滤杂质，通过一定规则替换噪声像素，保留真实图像信息。

（1）均值滤波：适合高斯噪声

• 原理：用一个 “小窗口”（比如 3×3 的正方形）框住当前像素，计算窗口内所有像素的灰度平均值，用这个平均值替换当前像素。相当于 “用周围像素的平均亮度，平滑掉单个像素的波动”。

• 优点：计算简单，能有效消除高斯噪声的 “薄雾感”；

• 缺点：会让图像整体变模糊，不适合需要保留边缘细节的场景（比如检测零件的棱角）。

（2）中值滤波：适合椒盐噪声

• 原理：同样用 “小窗口” 框住当前像素，把窗口内所有像素的灰度值按大小排序，取中间值替换当前像素。比如窗口内像素是 [5, 200, 10]（200 是椒盐噪声的白点），排序后是 [5, 10, 200]，取中间值 10 替换 200，直接 “去掉极端值”。

• 优点：能精准去除椒盐噪声的白点 / 黑点，还不会让图像变模糊；

• 缺点：对高斯噪声效果差。
  

四、添加噪声

在平时的图像处理中，有时候也需要我们人为的去添加噪声。即噪声的“好与坏”，全看应用场景。

1.高斯噪声

高斯噪声的特点是“均匀分布、类似薄雾”，这种特性和我们真实拍摄时的很多干扰高度一致——比如低光照下的相机噪点、传感器发热产生的干扰。正因为它贴近真实场景，所以成了机器视觉中数据增强的“常客”。

比如训练AI模型时的“抗干扰训练”模型：在“干净数据”上训练得再好，遇到真实场景中的噪点就容易“翻车”。假设训练一个“零件表面划痕检测模型”，如果训练数据全是高清无噪的图片，实际工厂拍摄时因为光线变化产生的高斯噪点，就可能让模型把噪点误判为划痕。

这时候通过添加高斯噪声：给训练数据故意添加高斯噪声，让模型提前“适应”真实场景的干扰，相当于给模型做“抗干扰训练”，提升鲁棒性。

2.椒盐噪声

椒盐噪声的特点是“随机分布的白点/黑点”，这种噪声很像图像传输或存储时的“错误像素”——比如网线接触不良导致的像素丢失、存储介质损坏产生的坏点。正因为它的“突发性”和“极端性”，所以就成了很多测试算法抗干扰能力的“标准考题”。

五、代码实战

1.抑制噪声

（1）高斯噪声抑制

可以直接调用opencv的抑制接口，opencv里有对高斯噪声专门抑制的接口

cv2.GaussianBlur(src, ksize, sigmaX, sigmaY=0, borderType=cv2.BORDER_DEFAULT)

• src：输入图像（灰度 / 彩色均可）
• ksize：高斯核尺寸，必须是奇数（如(3,3)、(5,5)），尺寸越大去噪越强但模糊越严重
• sigmaX：X 方向高斯核标准差，sigmaY默认与sigmaX相同；若设为 0，OpenCV 会根据ksize自动计算

（2）椒盐噪声抑制

椒盐噪声是孤立的极值点，纯白或者纯黑，中值计算会直接剔除这些极值，完美保留图像边缘和细节，可以理解是椒盐噪声的 “专属解法”，而高斯滤波对椒盐噪声几乎无效。

cv2.medianBlur(src, ksize)

2.添加噪声

（1）添加高斯噪声

import numpy as np
import cv2
import random

# 生成高斯噪声的函数
def GaussianNoise(src, means, sigma, percetage):
    NoiseImg = src.copy()
    NoiseNum = int(percetage * src.shape[0] * src.shape[1])
    for i in range(NoiseNum):
        # 每次取一个随机点（避免边缘越界，故-1）
        randX = random.randint(0, src.shape[0] - 1)
        randY = random.randint(0, src.shape[1] - 1)
        # 在原有像素灰度值上叠加高斯随机数
        NoiseImg[randX, randY] = NoiseImg[randX, randY] + random.gauss(means, sigma)
        # 限制像素值在0-255范围内
        if NoiseImg[randX, randY] < 0:
            NoiseImg[randX, randY] = 0
        elif NoiseImg[randX, randY] > 255:
            NoiseImg[randX, randY] = 255
    return NoiseImg

# 直接读取灰度图
img_gray = cv2.imread('lenna.png', 0)
# 生成带高斯噪声的图像
img_noise = GaussianNoise(img_gray, 2, 4, 0.8)

combined_img = np.hstack((img_gray, img_noise))

# 设置字体（默认字体）
font = cv2.FONT_HERSHEY_SIMPLEX
# 为原图添加注释
cv2.putText(combined_img, 'Original Image', (20, 30), font, 1, (255, 255, 255), 2)
# 为噪声图添加注释
cv2.putText(combined_img, 'Gaussian Noise Image', (img_gray.shape[1] + 20, 30),
            font, 1, (255, 255, 255), 2)

# 3. 显示拼接后的图像
cv2.imshow('Image Comparison (图像对比)', combined_img)

# 等待按键输入，任意键关闭窗口
cv2.waitKey(0)
# 释放所有窗口资源
cv2.destroyAllWindows()

（2） 添加椒盐噪声

import numpy as np
import cv2
from numpy import shape
import random

# 生成椒盐噪声的函数
def fun1(src, percetage):
    NoiseImg = src.copy()  # 复制原图，避免直接修改原数组
    NoiseNum = int(percetage * src.shape[0] * src.shape[1])
    for i in range(NoiseNum):
        # 每次取一个随机点
        # randX=行坐标，randY=列坐标（避免越界，-1）
        randX = random.randint(0, src.shape[0]-1)
        randY = random.randint(0, src.shape[1]-1)
        # 50%概率白点(255)，50%概率黑点(0)
        if random.random() <= 0.5:
            NoiseImg[randX, randY] = 0
        else:
            NoiseImg[randX, randY] = 255
    return NoiseImg

# 读取图像并生成椒盐噪声
img_gray = cv2.imread('lenna.png', 0)  # 直接读取灰度图，简化代码
img_noise = fun1(img_gray, 0.2)        # 生成20%比例的椒盐噪声图

# 1. 水平拼接两张灰度图
combined_img = np.hstack((img_gray, img_noise))

# 2. 添加文字注释
font = cv2.FONT_HERSHEY_SIMPLEX  # 设置字体
# 原图注释
cv2.putText(combined_img, 'Original Image',
            (20, 30), font, 1, (255, 255, 255), 2)
# 椒盐噪声图注释
cv2.putText(combined_img, 'Salt & Pepper Noise',
            (img_gray.shape[1] + 20, 30), font, 1, (255, 255, 255), 2)

# 3. 显示拼接后的图像窗口
cv2.imshow('Original vs Salt & Pepper Noise (原图 vs 椒盐噪声)', combined_img)

# 4. 等待按键并释放资源
cv2.waitKey(0)          # 按任意键关闭窗口
cv2.destroyAllWindows() # 释放所有窗口资源

六、总结

在很多工程中基本都离不开噪声的处理，一定要搞清楚原理加以运用。同样还有很多的噪声和滤波类型，根据实际情况决定具体的使用。
（总目录跳转链接）