1.研究噪声特性的必要性
本文的内容主要介绍了常见噪声的分类与其特性。
将噪声建模，然后用模型去实现各式各样的噪声。
实际生活中的各种照片的老化，都能够归结为下面老化模型。
这个模型非常easy，也能够直接用下面公式来表达。
在频域内，用下面公式区表示。
依据以上式子，能够看出，老旧照片的复原。主要分为两个任务，一个是去噪；还有一个是去卷积，或者称为逆滤波，也就是将老化滤波器做反处理。
本文首先由噪声类型与其建模。随后的博文。会介绍几种基础的去噪方法和基础的逆滤波方法。
2.噪声的实现
2.1 评价用图像与其直方图
2.2 高斯噪声
高斯噪声，也称为正态噪声，其统计特性服从正态分布。
一种较为泛用的噪声模型。
Matlab的实现较为简单，Matlab已经有一个randn(M,N)的函数，用其能够产生出均值为0、方差为1、尺寸为M X N像素的高斯噪声图像。
用下面程序就能够产生随意均值和方差的高斯噪声。
a = 0;b = 0.08;n_gaussian = a + b .* randn(M,N);
2.3 瑞利噪声
瑞利噪声相比高斯噪声而言，其形状向右歪斜。这对于拟合某些歪斜直方图噪声非常实用。
瑞利噪声的实现能够借由平均噪声来实现。
例如以下所看到的。
这里的
a = -0.2;b = 0.03;n_rayleigh = a + (-b .* log(1 - rand(M,N))).^0.5;
2.4 伽马噪声
伽马噪声的分布，服从了伽马曲线的分布。伽马噪声的实现。须要使用b个服从指数分布的噪声叠加而来。
指数分布的噪声。能够使用均匀分布来实现。
使用若干个(这里用b表示)均匀分布叠加，就能够得到伽马噪声。
当然，当b=1的时候。就能够得到指数噪声了。
a = 25;b = 3;n_Erlang = zeros(M,N); for j=1:b n_Erlang = n_Erlang + (-1/a)*log(1 - rand(M,N));end
2.5 均匀噪声
如同前面所看到的，均匀噪声能够由函数rand(M,N)直接产生。
a = 0;b = 0.3;n_Uniform = a + (b-a)*rand(M,N);
2.6 椒盐噪声
椒盐噪声也成为双脉冲噪声。在早期的印刷电影胶片上，因为胶片化学性质的不稳定和播放时候的损伤，会使得胶片表面的感光材料和胶片的基底欠落，在播放时候，产生一些或白或黑的损伤。其实，这也能够归结为特殊的椒盐噪声。椒盐噪声的实现。须要一些逻辑推断。
这里我们的思路是，产生均匀噪声，然后将超过阈值的点设置为黑点。或白点。
当然，假设须要拟合电影胶片的损伤的话，能够选用别的类型噪声去拟合。
a = 0.05;b = 0.05;x = rand(M,N);g_sp = zeros(M,N);g_sp = f;g_sp(find(x<=a)) = 0;g_sp(find(x > a & x<(a+b))) = 1;
3.总结
本文，实现的几类较为主要的噪声。并给出了事实上现的方法。代码在以下。下一篇博文。会进行几个经常使用去噪滤波器的比較。原文发于博客：
=============更新日志===================
2016 - 5 - 21 修正英文单词的拼写错误。