机器学习中噪声是什么意思 典型的六种噪声模型

噪声来源

相机传感器在拍摄图像的时候，可能会收到外界环境以及感光芯片本身质量的影响，成像之后在传输的过程中的传输介质也可能受到其他干扰，导致最终接收到的图像上存在一些干扰信息，这些干扰信息，被称之为噪声。在后续的图像分析过程中，如果不事先把噪声去除掉，将会影响图像分析的结果。
接下来我们简单介绍几种常见的噪声，并用Matlab来模拟这些噪声。

常见的图像噪声

• 椒盐噪声
• 高斯噪声
• 泊松噪声
• 周期性噪声

原始图像

i = imread('lena.jpg');
imshow(i);

椒盐噪声

盐粒噪声：随机添加到图像上的像素值为255的白点噪声。
胡椒噪声：随机添加到图像上的像素值为0的黑点噪声。
椒盐噪声：以上两种噪声的随机混合添加。该噪声也称作随机丢弃噪声，因为它会依概率随机丢弃一些原始的像素值。主要来源于成像系统的感知单元的故障。

j = imnoise(i,'salt & pepper');
imshow(j);

高斯噪声

高斯噪声是统计性的噪声，它的概率密度分布为正态分布。它主要产生在放大器或者探测器中：原子的热振荡和物体的辐射能态的离散性，因此也叫电子噪声。

j = imnoise(i,'gaussian');
imshow(j);

泊松噪声

该种噪声的出现主要是由于电磁波的统计特性，比如X射线，可见光和γ射线。x射线和γ射线源
单位时间内会产生大量的光子。这些射线可以从源射入人体，并由X射线和γ射线成像系统所感知。这些拥有光子随机波动的源，最终可以造成图像的空间和时间域上的随机性。所以，该噪声也可以称作量子噪声。

j = imnoise(i,'poisson');
imshow(j);

周期性噪声

一种在图像上表现为周期性出现的噪声，在将图像像进行傅里叶变换之后可以明显看出来噪声亮点。

for i=1:M
  for j=1:N
    J(i,j)=i(i,j)+40*sin(40*i)+40*sin(40*j);
  end
end
figure,imshow(J);

总结

拿到一张图的时候，先不要开始处理，要先分析一下这张图中有没有噪声，如果有噪声就要再看下是那种的噪声，然后选择合适的去噪算法进行处理。接下来将会介绍常用的几种去噪算法。