常見噪聲類型與特征
| 噪聲類型 | 視覺特征 | 統計特征 | 適用濾波器 |
|---|
| 高斯噪聲 | 圖像呈現隨機亮暗點，像「雪花」 | 像素值服從正態分布 | 高斯濾波、雙邊濾波、非局部均值去噪 |
| 椒鹽噪聲 | 隨機出現純黑/純白像素點 | 像素值為極值（0 或 255） | 中值濾波、自適應中值濾波 |
| 泊松噪聲 | 信號相關，亮區噪聲強 | 方差與信號強度成正比 | Anscombe 變換 + 高斯去噪、BM3D |
| 乘性噪聲/斑點噪聲 | 雷達/SAR 圖像常見，呈顆粒狀 | 噪聲與信號相乘 | Lee 濾波、Frost 濾波、對數變換後高斯去噪 |
噪聲類型判斷方法
- 直方圖分析：觀察像素值分布，高斯噪聲呈鐘形，椒鹽噪聲在 0 和 255 有尖峰；
- 頻域分析：FFT 變換後觀察頻譜，周期性噪聲會有明亮頻譜線；
- 局部統計量：計算滑動窗口內的均值/方差關系，判斷是加性還是乘性噪聲；
- 已知場景先驗：根據成像設備（CCD/CMOS 熱噪聲多為高斯，傳感器缺陷產椒鹽）推測。
OpenCV 實戰建議
- 先嘗試
cv::fastNlMeansDenoisingColored（非局部均值），對多種噪聲效果較好；
- 椒鹽噪聲首選
cv::medianBlur，核大小 3~5；
- 保留邊緣細節時使用
cv::bilateralFilter（雙邊濾波）；
- 實時性要求高可用
cv::GaussianBlur 或 cv::blur（均值濾波）。
代碼片段：自適應選擇
// 簡單啟發式：計算極值像素比例判斷椒鹽噪聲
double impulseRatio = countNonZero((img == 0) | (img == 255)) / (double)(img.total());
if (impulseRatio > 0.01) {
medianBlur(img, dst, 3); // 椒鹽噪聲
} else {
fastNlMeansDenoisingColored(img, dst, 10, 10, 7, 21); // 通用去噪
}
