堆栈去噪的数学原理

当我们对多个具有噪声的图像进行堆叠时，假设我们有$N$个图像，每个图像的像素值表示为$I_i(x,y)$，其中$i=1,2,...,N$，$(x,y)$ 表示图像的坐标。
对于堆叠后的图像$I_{\text{stacked}}(x,y)$的像素值，我们可以简单地通过对相同位置的像素值进行平均操作来计算：
$$I_{\text{stacked}}(x,y)=\frac{1}{N}\sum _{i=1}^N{I}_i(x,y)$$
现在，让我们考虑噪声的性质。假设噪声是随机的，并且在每个像素位置上独立地加到每个图像中。如果噪声是这种性质，它在叠加后将会平均为零。
为了更清晰地理解这一点，让我们用随机变量来表示像素的值。假设 $X_i(x,y)$是第$i$ 个图像在位置$(x,y)$ 上的像素值，$ N(x, y)$ 是噪声的随机变量。那么：$I_i(x,y)=X_i(x,y)+N(x,y)$其中$N(x,y)$是独立同分布的随机变量。
现在，我们考虑堆叠后的图像的像素值：
$$\begin{array}{rl}{I}_{\text{stacked}}(x,y)& =\frac{1}{N}\sum _{i=1}^N{I}_i(x,y)\\ & =\frac{1}{N}\sum _{i=1}^N(X_i(x,y)+N(x,y))\\ & =\frac{1}{N}\sum _{i=1}^N{X}_i(x,y)+\frac{1}{N}\sum _{i=1}^{N}N(x,y)\end{array}$$
由于$N(x,y)$是独立同分布的随机变量，其期望值为零，所以：
$$\frac{1}{N}\sum _{i=1}^{N}N(x,y)=0$$
因此，我们得到：
$$I_{\text{stacked}}(x,y)=\frac{1}{N}\sum _{i=1}^N{X}_i(x,y)$$
也就是说，堆叠后的图像的像素值仅由信号$X_i(x,y)$ 组成，而没有噪声的贡献。
这就是堆栈去噪的数学原理，通过将多个图像叠加起来并取平均，可以消除噪声并提高信噪比。