03 · 噪声检测

噪声（Noise） 表现为画面上的随机颗粒、雪花、条纹等高频干扰，常见于低照度增益过高、传输链路干扰或传感器老化。

1. 噪声的图像模型

含噪观测常建模为：

其中 为真实信号， 为零均值随机噪声。高斯噪声下 。

2. 检测直觉

特性	说明
频域	噪声能量集中在高频
空域	邻域像素剧烈起伏，与平滑区域对比明显
算子	拉普拉斯、高通滤波对噪声敏感

雪花、颗粒等噪声干扰（已脱敏：合成噪声样例）

3. 分块拉普拉斯均值法

3.1 步骤

1. 灰度化得
2. 拉普拉斯：
3. 将 划分为 网格（如 ）
4. 块 内计算响应均值：

5. 统计「噪声块」占比：

其中 为块内均值阈值（与图像位深、增益相关，需标定）。

3.2 判定

分数 ，越大噪声区域越广。

4. 局部方差估计（备选）

Olsen 经典思路：在均匀块内估计噪声方差

选取梯度较小的平坦区域 （避免把纹理当噪声）。多区域取中位数更稳健。

5. 流程图

flowchart LR
    A[灰度图] --> B[Laplacian]
    B --> C[7×7 分块]
    C --> D[块均值 > τ?]
    D --> E[噪声块计数]
    E --> F[占比 R_noise]
    F --> G{R > T?}
    G -->|是| H[告警]

6. 与模糊的区分

指标	模糊	噪声
拉普拉斯	整体方差低	局部块均值高
视觉	边缘发虚	颗粒、雪花
频谱	高频衰减	高频能量增

二者可能共存（低照度既模糊又 noisy），建议分项阈值独立告警。

7. 参数建议

参数	典型范围	备注
网格		块太小 → 误报纹理
	场景标定	8-bit 灰度常取 15～40
	～	占比阈值

8. 参考文献

1. Olsen S I. Noise variance estimation in images. SCIA, 1993.
2. Immerkær J. Fast noise variance estimation. Computer Vision and Image Understanding, 1996, 64(2): 300–302.
3. Gonzalez R C, Woods R E. Digital Image Processing. 4th ed. Pearson, 2018. — 噪声模型与滤波基础。

---

← 02 清晰度 · 专题首页 · 下一篇：偏色检测 →