分别对图像加椒盐噪声和高斯白噪声，然后用三种方法对加噪图像进行去噪处理

资 源 简 介

分别对图像加椒盐噪声和高斯白噪声，然后用三种方法对加噪图像进行去噪处理

详 情 说 明

图像去噪是数字图像处理中的重要环节，尤其在医学影像、安防监控等领域，噪声会直接影响后续分析效果。本文将介绍两种典型噪声的生成原理，并对比三种经典去噪方法的效果差异。

噪声类型特性 椒盐噪声表现为随机出现的黑白像素点，模拟传输过程中的信号丢失。其密度参数控制噪声点的稀疏程度，0.03表示约3%的像素被污染。高斯噪声则符合正态分布，会全局性降低图像信噪比，此处参数设定为均值为0保证无偏移，方差0.02控制噪声强度。

去噪方法核心逻辑 均值滤波：通过滑动窗口计算邻域像素平均值，能有效平滑高斯噪声，但会导致边缘模糊。窗口大小是关键参数，过大会丢失细节。 中值滤波：取窗口内像素的中位数，对椒盐噪声特别有效，因为异常值不会被纳入计算结果。但对高斯噪声的抑制效果弱于均值滤波。 高斯滤波：基于权重矩阵的加权平均，距离中心越近的像素权重越高。其σ参数控制衰减程度，适合处理符合正态分布的噪声。

实现要点提示 使用OpenCV库时需注意：椒盐噪声需要先随机生成坐标再赋值，而高斯噪声需保持像素值在0-255范围内。对于彩色图像，通常在YUV空间仅处理亮度通道。评价去噪效果时，PSNR和SSIM指标比肉眼观察更客观。

扩展思考方向 实际工程中常组合多种滤波方法，例如先中值滤波去除椒盐噪声，再用小波变换处理高斯噪声。最新深度学习方法如DnCNN已在去噪任务上超越传统算法，但需要大量训练数据支撑。