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;
}
