高斯噪声与图像去噪

        读研期间一直在做图像去噪领域的相关研究，在毕业之际，打算系统的整理一下，算是对自己这两年多工作的一个总结吧，也希望能对后来研究的同学有一点小小的帮助，那便是极好的了。

一、图像去噪背景

       随着智能手机的快速发展，一个很重要的应用也越来越普及，那就是拍照。现在很多手机厂商都把手机拍照作为很大的卖点去推销，如何去评价一个手机拍照功能的好坏呢，照片的清晰度，和真实场景的还原度就是很重要的一个指标。因此如何让拍出来的照片又清晰又好看还是很值的我们去研究的。图像去噪主要分为两个方向，一个是对仿真噪声进行去噪，还一个就是真实图像去噪。

      仿真噪声去噪，就是通过向干净的图像上添加各种人为的噪声，来模仿噪声图，然后再对这些噪声图片进行去噪，通过和原始干净的图像进行对比分析，便于量化和评价算法效果：评价一个降噪算法的效果，需要采用一定的评价标准（metric）。我们一般把评价标准分为客观（objective）和主观（subjective）的：

      客观标准很好理解：给我一个数学计算方式，算出这个降噪过后的数据，到底有多好。这样做清晰明了，一般没有什么好争议的。常见的这样的metric有Peak Signal-to-Noise Ratio （PSNR），Mean Square Error（MSE），Structured Similarity（SSIM），等等。你经常可以在降噪论文里面看到这三个家伙的身影。他们这些metric的绝对数值的高低，直观地反应方法效果的好坏。

       虽然我知道也有一些工作，试着propose一些不需要ground truth的objective quality metric，但最常用的这类经典metric无一例外地需要图片的无噪音真实值（ground truth）作为参考。如果你是使用仿真噪音，你自然是有ground truth的。但如果是真实噪音，你一般不知道ground truth是什么。

         所以一般对于真实噪音的降噪实验，我们都只好算法一些subjective的metric：让人眼来辨认降噪出来的图效果是否好。这不同的人，可能对图的喜好也会不一样，这样就经常会产生评价的个体差异，产生争议。就算想要组织一大批人来做测试，成本会很高，不利于科研的高效性。所以在这篇博客中，我们先主要介绍仿真噪声的去噪方法，关于真实图像的去噪方法，我们下篇博客见，先给自己挖个坑吧。

二、常见的仿真噪声

        相比于其他的仿真噪声，高斯噪声确实有他的合理性。在真实噪声的噪音源特别复杂的时候，高斯噪声可能算是最好的对真实噪声的模拟。

        其实不光是深度学习的降噪算法，传统方法（好吧，自从有了深度学习以后，什么sparse coding，GMM，low-rank，collaborative filtering都变成传统方法了...）也大多喜欢用高斯白噪声来做仿真实验。那么大家不约而同地都玩儿高斯噪声可能有背后的原因。我觉得这个可能才是题主最关心的问题。

        那这里的答案就是，采用高斯噪声，是为了更好地模拟未知的真实噪声：在真实环境中，噪声往往不是由单一源头造成的，而是很多不同来源的噪音复合体。假设，我们把真实噪音看成非常多不同概率分布的随机变量的加合，并且每一个随机变量都是独立的，那么根据Central Limit Theorem，他们的normalized sum就随着噪声源数量的上升，趋近于一个高斯分布。

        基于这种假设来看，采用合成的高斯噪声，是在处理这种复杂，且不知道噪声分布为何的情况下，一个既简单又不差的近似仿真。当然也还有其他的一些仿真噪声，这就要看具体的拍照场景了，就比如在医学图像去噪的研究中，我们通常是向图像添加泊松噪声来模拟噪声图的。

三、高斯噪声

高斯噪声，就是噪声的指概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。何为正态分布，请大家参考https://blog.csdn.net/hhaowang/article/details/83898881

高斯噪声中有两个很重要的指标，一个是方差，另一个是均值。

这里要强调的是，因为噪声服从高斯分布,所以方差越大,数据越分散,噪声也就越多。

均值决定着整个图像的明亮程度,均值大于0,表示图像加上一个使自己变亮的噪声,小 于0,表示图像加上一个使自己变暗的噪声。