图像噪声源于现实世界中数字信号总会受到各种各样的干扰，最终接受的图像和源于的数字信号之间总
是存在一定的差异，对于图像噪声，使用均值滤波和中值滤波来消除图像噪声的做法已经是很常见的图
像消噪手段。
一：图像加噪原理
1. 椒盐噪声（Salt And Pepper Noise）
椒盐噪声是一种因为信号脉冲强度引起的噪声，信噪比（Signal NoiseRate）是衡量图像噪声的一个数字指标。
给一副数字图像加上椒盐噪声的处理顺序应该如下：
- 指定信噪比 SNR 其取值范围在[0, 1]之间
- 计算总像素数目 SP， 得到要加噪的像素数目 NP = SP * (1-SNR)
- 随机获取要加噪的每个像素位置P（i, j）
- 指定像素值为255或者0。
- 重复c, d两个步骤完成所有像素的NP个像素
- 输出加噪以后的图像
2. 高斯噪声（Gaussian Noise）
高斯噪声的密度取决于公式G(x, sigma) 其中X是代表平均值，sigma代表的标准方差，每个输入像素 Pin,
一个正常的高斯采样分布公式G(d), 得到输出像素Pout.
Pout = Pin + XMeans + sigma *G(d)
其中d为一个线性的随机数，G(d)是随机数的高斯分布随机值。
给一副数字图像加上高斯噪声的处理顺序如下：
a. 输入参数sigam 和 X mean
b. 以系统时间为种子产生一个伪随机数
c. 将伪随机数带入G（d）得到高斯随机数
d. 根据输入像素计算出输出像素
e. 重新将像素值防缩在[0 ~ 255]之间
f. 循环所有像素
g. 输出图像
二：关键程序解析
1. 椒盐噪声
根据信噪比，获取要加入椒盐噪声的像素数目
int size= (int)(inPixels.length * (1-SNR));
随机得到像素，完成椒盐噪声的加入
for(int i=0; i<size; i++) {
int row = (int)(Math.random()* (double)height);
int col = (int)(Math.random()* (double)width);
index= row * width + col;
inPixels[index]= (255 << 24) | (255 << 16) | (255 << 8) | 255;
}
2. 高斯噪声
根据标准方差，和伪随机数的范围，首先计算出一个伪随机数d ，根据d得到高斯分布的随机数值，整个代码如下：
float d = (float)Math.random()*RANDOM_SCOPE - RANDOM_SCOPE/2;
float sigma2 = sigma*sigma*2;
float PI2 = (float)Math.PI * 2;
float sigmaPI2 = (float)Math.sqrt(PI2*sigma);
float result = (float)Math.exp(-d/sigma2)/sigmaPI2;
伪随机数的范围为[-127~ 127]之间。
获取高斯噪声的像素代码如下：
tr = (int)((float)tr + getGaussianValue() + this.means);
tg = (int)((float)tg + getGaussianValue() + this.means);
tb = (int)((float)tb + getGaussianValue() + this.means);
mean是的值为0.
三：程序效果如下
加入白色椒盐噪声的图片
加入高斯噪声的图片
椒盐噪声的代码如下：
private BufferedImage addSaltAndPepperNoise(BufferedImage src, BufferedImage dst) { int width = src.getWidth(); int height = src.getHeight(); if ( dst == null ) dst = createCompatibleDestImage( src, null ); int[] inPixels = new int[width*height]; getRGB( src, 0, 0, width, height, inPixels ); int index = 0; int size = (int)(inPixels.length * (1-SNR)); for(int i=0; i<size; i++) { int row = (int)(Math.random() * (double)height); int col = (int)(Math.random() * (double)width); index = row * width + col; inPixels[index] = (255 << 24) | (255 << 16) | (255 << 8) | 255; } setRGB( dst, 0, 0, width, height, inPixels ); return dst; }
高斯噪声的代码如下：
private BufferedImage gaussianNoise(BufferedImage src, BufferedImage dst) { int width = src.getWidth(); int height = src.getHeight(); if ( dst == null ) dst = createCompatibleDestImage( src, null ); int[] inPixels = new int[width*height]; int[][][] tempPixels = new int[height][width][4]; int[] outPixels = new int[width*height]; getRGB( src, 0, 0, width, height, inPixels ); int index = 0; float inMax = 0; float outMax = 0; for(int row=0; row<height; row++) { int ta = 0, tr = 0, tg = 0, tb = 0; for(int col=0; col<width; col++) { index = row * width + col; ta = (inPixels[index] >> 24) & 0xff; tr = (inPixels[index] >> 16) & 0xff; tg = (inPixels[index] >> 8) & 0xff; tb = inPixels[index] & 0xff; if(inMax < tr) { inMax = tr; } if(inMax < tg) { inMax = tg; } if(inMax < tb) { inMax = tb; } tr = (int)((float)tr + getGaussianValue() + this.means); tg = (int)((float)tg + getGaussianValue() + this.means); tb = (int)((float)tb + getGaussianValue() + this.means); if(outMax < tr) { outMax = tr; } if(outMax < tg) { outMax = tg; } if(outMax < tb) { outMax = tb; } tempPixels[row][col][0] = ta; tempPixels[row][col][1] = tr; tempPixels[row][col][2] = tg; tempPixels[row][col][3] = tb; } } // Normalization index = 0; float rate = inMax/outMax; for(int row=0; row<height; row++) { int ta = 0, tr = 0, tg = 0, tb = 0; for(int col=0; col<width; col++) { index = row * width + col; ta = tempPixels[row][col][0]; tr = tempPixels[row][col][1]; tg = tempPixels[row][col][2]; tb = tempPixels[row][col][3]; tr = (int)((float)tr * rate); tg = (int)((float)tg * rate); tb = (int)((float)tb * rate); outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb; } } setRGB( dst, 0, 0, width, height, outPixels ); return dst; }
