圖像噪聲源于現實世界中數字信号總會受到各種各樣的幹擾，最終接受的圖像和源于的數字信号之間總
是存在一定的差異，對于圖像噪聲，使用均值濾波和中值濾波來消除圖像噪聲的做法已經是很常見的圖
像消噪手段。
一：圖像加噪原理
1. 椒鹽噪聲（salt and pepper noise）
椒鹽噪聲是一種因為信号脈沖強度引起的噪聲，信噪比（signal noiserate）是衡量圖像噪聲的一個數字名額。
給一副數字圖像加上椒鹽噪聲的處理順序應該如下：
指定信噪比 snr 其取值範圍在[0, 1]之間
計算總像素數目 sp， 得到要加噪的像素數目 np = sp * (1-snr)
随機擷取要加噪的每個像素位置p（i, j）
指定像素值為255或者0。
重複c, d兩個步驟完成所有像素的np個像素
輸出加噪以後的圖像
2. 高斯噪聲（gaussian noise）
高斯噪聲的密度取決于公式g(x, sigma) 其中x是代表平均值，sigma代表的标準方差，每個輸入像素 pin,
一個正常的高斯采樣分布公式g(d), 得到輸出像素pout.
pout = pin + xmeans + sigma *g(d)
其中d為一個線性的随機數，g(d)是随機數的高斯分布随機值。
給一副數字圖像加上高斯噪聲的處理順序如下：
a. 輸入參數sigam 和 x mean
b. 以系統時間為種子産生一個僞随機數
c. 将僞随機數帶入g（d）得到高斯随機數
d. 根據輸入像素計算出輸出像素
e. 重新将像素值防縮在[0 ~ 255]之間
f. 循環所有像素
g. 輸出圖像
二：關鍵程式解析
1. 椒鹽噪聲
根據信噪比，擷取要加入椒鹽噪聲的像素數目
int size= (int)(inpixels.length * (1-snr));
随機得到像素，完成椒鹽噪聲的加入
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. 高斯噪聲
根據标準方差，和僞随機數的範圍，首先計算出一個僞随機數d ，根據d得到高斯分布的随機數值，整個代碼如下：
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;
僞随機數的範圍為[-127~ 127]之間。
擷取高斯噪聲的像素代碼如下：
tr = (int)((float)tr + getgaussianvalue() + this.means);
tg = (int)((float)tg + getgaussianvalue() + this.means);
tb = (int)((float)tb + getgaussianvalue() + this.means);
mean是的值為0.
三：程式效果如下
加入白色椒鹽噪聲的圖檔
加入高斯噪聲的圖檔
椒鹽噪聲的代碼如下：
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;
}
高斯噪聲的代碼如下：
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;
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;
}