MATLAB详解高斯噪声、椒盐噪声，简单实现图像的均值滤波、中值滤波并分析其有效性

### 高斯噪声与椒盐噪声的区别 #### 视觉特征差异 高斯噪声表现为图像中各像素值围绕原始像素值波动，形成一种模糊效果。这种类型的噪声强度分布遵循正态分布规律[^1]。 相比之下，椒盐噪声则由大量随机分布在图像中的黑色(0)和白色(255)像素组成，在视觉上呈现为散落在图像上的黑点或白点，类似于撒上了“胡椒”和“盐”，因此得名[^2]。 #### 数学特性对比 对于高斯噪声而言，其概率密度函数呈钟形曲线，意味着大多数噪声样本集中在平均值附近，偏离程度较小；而椒盐噪声属于脉冲型噪声，只有两个极端取值，即完全黑暗（0）或最亮（255），不具备连续变化的特点[^3]。 ### 应用场景分析 #### 高斯噪声的应用领域 由于自然界中存在的许多物理过程都近似服从高斯分布，所以模拟自然环境下的成像条件时常会引入高斯噪声模型。例如，在医学影像、遥感卫星图片等领域，为了测试算法鲁棒性和评估系统性能，常通过添加可控水平的高斯噪声来检验去噪技术的有效性。 #### 椒盐噪声适用场合 当考虑通信链路中断造成的数据丢失情况时，可以利用椒盐噪声来模仿此类现象。另外，在某些情况下，传感器故障也可能引发类似的二元错误模式，此时使用椒盐噪声作为仿真工具能够帮助研究者更好地理解并解决实际问题。 ```python import numpy as np from skimage.util import random_noise import matplotlib.pyplot as plt # 创建一个简单的灰度图像用于演示 image = np.zeros((100, 100)) for i in range(len(image)): image[i] = [i]*len(image) fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(18, 6)) axes[0].imshow(image, cmap='gray') axes[0].set_title('Original Image') gaussian_noisy_image = random_noise(image, mode='gaussian', var=0.01) salt_pepper_noisy_image = random_noise(image, mode='s&p', amount=0.05) axes[1].imshow(gaussian_noisy_image, cmap='gray') axes[1].set_title('Gaussian Noised Image') axes[2].imshow(salt_pepper_noisy_image, cmap='gray') axes[2].set_title('Salt & Pepper Noised Image') plt.show() ```