5 高斯噪声（Gaussian Noise）
高斯噪声（Gaussian Noise）是一种符合正态（高斯）分布的随机噪声，广泛存在于传感器采集、信号传输等场景中。以下是关于高斯噪声的详细说明、添加方法及滤波方案。
特点：符合正态分布，模拟传感器噪声。
噪声值服从正态分布 
其中：
μ（均值）：通常为 0（对称分布）；σ
σ（标准差）：控制噪声强度（值越大，噪声越明显）
视觉表现：图像上出现细密的颗粒状噪声，类似“电视雪花”效果。
5.1 加入噪声
void addGaussianNoise(cv::Mat &image, double mean=0, double stddev=15) {
cv::Mat noise = cv::Mat::zeros(image.size(), image.type());
cv::randn(noise, mean, stddev); // 生成高斯噪声
image += noise;
cv::normalize(image, image, 0, 255, cv::NORM_MINMAX, image.type()); // 防止溢出
}
5.2 高斯滤波
原理：使用高斯核加权平均，与噪声分布特性匹配。
优点：计算高效，适合实时处理。
OpenCV 函数：cv::GaussianBlur()
函数原型：
void cv::GaussianBlur(
InputArray src,
OutputArray dst,
Size ksize,
double sigmaX,
double sigmaY = 0,
int borderType = BORDER_DEFAULT
);
参数：
ksize Size 高斯核大小（宽度和高度，必须为正奇数如3x3、5x5）。
sigmaX double X方向标准差。若为0，则自动从ksize计算：sigma = 0.3*((ksize-1)*0.5 - 1) + 0.8
sigmaY double Y方向标准差（默认=0，表示与sigmaX相同）。
borderType int 边界填充方式（默认BORDER_DEFAULT）。
参考应用：
cv::Mat denoised;
cv::GaussianBlur(noisy_img, denoised, cv::Size(5, 5), 1.5); // 内核大小5x5，标准差1.5
5.4 双边滤波（Bilateral Filter）
原理：同时考虑空间距离和像素值差异，保留边缘。
bilateralFilter 为双边滤波，d 为计算的半径，在 d 以内的像素点会被纳入计算，如果 d=-1，则根据 sigmas 参数取值进行处理。Sigmac 决定多少差值之内的像素点会被计算。Sigmas 和 d 的值有关，如果 d 大于0，该值无效，如果小于 0，则根据 sigmas 来计算 d 的值。
优点：边缘保持效果好。
OpenCV 函数：cv::bilateralFilter()
cv::Mat denoised;
cv::bilateralFilter(noisy_img, denoised, 9, 75, 75); // 直径9，颜色/空间标准差75
5.5 总结
6 椒盐噪声（Salt-and-Pepper Noise）
椒盐噪声是一种常见的图像噪声，表现为随机出现的 纯白（盐噪声） 和 纯黑（椒噪声） 像素点，通常由传感器故障、信号传输错误或存储介质损坏引起。以下是其特性、添加方法及去噪方案。
6.1 定义
噪声像素值为 0（黑） 或 255（白），随机分布在图像中
视觉表现：图像上散落黑白点，类似胡椒和盐粒。
6.2 添加椒盐噪声
#include "random"
void addSaltPepperNoise(cv::Mat &image, double prob = 0.05) {
std::random_device rd;
std::mt19937 gen(rd());
std::uniform_real_distribution<> dis(0.0, 1.0);
for (int i = 0; i < image.rows; i++) {
for (int j = 0; j < image.cols; j++) {
double r = dis(gen);
if (r < prob / 2) {
image.at<cv::Vec3b>(i, j) = cv::Vec3b(0, 0, 0); // 椒噪声（黑）
} else if (r < prob) {
image.at<cv::Vec3b>(i, j) = cv::Vec3b(255, 255, 255); // 盐噪声（白）
}
}
}
}
6.3 中值滤波（Median Filter）
原理：用邻域像素的中值替代中心像素，有效消除孤立噪点。
优点：计算快，适合实时处理。
OpenCV 函数：cv::medianBlur()
cv::Mat denoised;
cv::medianBlur(noisy_img, denoised, 5); // 内核大小5x5（必须为奇数）
medianBlur 为中值滤波，ksize 为中值滤波的窗口大小。
6.5 总结
7 参考案例
7.1 模糊案例
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main (int argc,char **argv)
{
Mat src = imread("cyq.jpg",1);
if(src.empty())
{
cout << "Could not load image.."<<endl;
return -1;
}
Mat image1,image2,image3;
blur(src,image1,Size(3,3),Point(-1,-1));
blur(src,image2,Size(29,1),Point(-1,-1));
blur(src,image3,Size(1,20),Point(-1,-1));
imshow("input",src);
imshow("output1",image1);
imshow("output2",image2);
imshow("output3",image3);
waitKey(0);
return 0;
}
这部分代码很简单，使用 mat 将图像信息装起来，然后调用 OpenCV 提供的 blur 接口进行模糊，通过调整 Size 参数来看看均值滤波的效果。第一次调用 Size(3,3)，表示卷积算子的大小为 3*3，这个值是可以随意改变的，但必须是正数，后面的 Point 表示采用卷积算子的中心点为计算结果。后面将 size 中的参数改变，例如 Size（29,1）是 x 方向的模糊，因为我们平时看到的移动都是相对于地面的，所以转换出来的图像像是瞬间移动了；Size（1,20）是在 y 方向的模糊，看起来像是向上跳跃的感觉。
7.1 中值滤波
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main (int argc,char **argv)
{
Mat src = imread("nn.png",1);
if(src.empty())
{
cout << "Could not load image.."<<endl;
return -1;
}
Mat dst;
medianBlur(src,dst,3);
imshow("input",src);
imshow("output",dst);
waitKey(0);
return 0;
}
