1. 从一次图像实验说起：为什么噪声和滤波值得反复琢磨

做数字图像处理的人，绕不开两个最基础的“拦路虎”：椒盐噪声和高斯噪声。很多同学第一次接触图像去噪，就是在MATLAB里给一张灰度图加上噪声，再用均值滤波、中值滤波跑一遍，看看到底哪个效果好。这个实验看起来简单，但真正动手做过的都知道，里面藏着不少门道——噪声密度怎么选、滤波窗口开多大、边缘为什么糊了、PSNR到底能不能信，这些问题不亲手踩一遍，光看教材是体会不到的。

这篇文章就是围绕“MATLAB实现椒盐噪声与高斯噪声及滤波”这个主题，把整个实验从设计思路到代码实现、从参数选择到效果评估，完整地拆一遍。适合正在学数字图像处理课程的学生、刚入门图像算法的开发者，以及想快速复现经典去噪实验的工程师。读完你至少能搞清楚三件事：两种噪声的数学本质区别是什么，四种常见滤波器各自适合打什么仗，以及怎么用客观指标加主观观察来判断滤波效果的好坏。

我自己的习惯是，每学一个图像处理知识点，都要在MATLAB里把它“跑出来、看出来、比出来”。噪声和滤波这一块尤其如此，因为它的效果非常直观，参数改一点点，结果可能天差地别。下面就把我反复实验后整理出来的完整思路和代码分享出来，你可以直接抄作业，也可以按自己的需求改参数。

2. 实验整体设计与方案选型：先想清楚要证明什么

2.1 为什么选椒盐噪声和高斯噪声作为研究对象

图像噪声的种类很多，但椒盐噪声和高斯噪声是最具代表性的两类，原因在于它们的统计特性截然不同。椒盐噪声是一种脉冲噪声，表现为图像中随机出现的纯黑点（胡椒，像素值0）和纯白点（盐，像素值255），它的概率分布是离散的、稀疏的。高斯噪声则是一种加性噪声，每个像素上叠加一个服从正态分布的随机值，它污染的是整张图的每一个像素，只是幅度大小不同。

正因为这两类噪声的“性格”完全相反，它们对滤波器的响应也完全不同。椒盐噪声适合用非线性滤波（尤其是中值滤波）来对付，因为中值滤波能把极端值直接剔除；高斯噪声适合用线性滤波（均值滤波、高斯滤波）来平滑，因为线性加权平均能有效抑制小幅度的随机波动。把这两种噪声放在一起对比，能非常清楚地看出“噪声模型决定滤波策略”这个核心思想。

从教学和实验的角度，选这两个还有一个好处：它们的生成都很简单。椒盐噪声只需要随机选位置赋0或255，高斯噪声只需要调用一个随机数生成函数。MATLAB里几行代码就能搞定，不需要额外的工具箱，复现成本极低。

2.2 滤波器选型的逻辑：四种滤波器各有什么本事

这次实验我选了四种滤波器：均值滤波、中值滤波、高斯滤波、双边滤波。选它们不是随便凑数，而是覆盖了线性与非线性、各向同性与边缘保持这几个关键维度。

均值滤波是最简单的线性滤波，用邻域内所有像素的平均值代替中心像素。它的优点是实现容易、对高斯噪声有一定平滑效果，缺点是会把边缘和细节一起模糊掉。中值滤波是非线性滤波的代表，用邻域内像素的中值代替中心像素。它对椒盐噪声几乎是“克星”级别的存在，因为椒盐噪声的极端值在排序后会被排到两端，中值自然就把它们排除了。高斯滤波是加权平均，权重按二维高斯分布分配，离中心越近权重越大。它比均值滤波更“聪明”一点，平滑效果更自然，但对椒盐噪声依然无能为力。双边滤波则是在高斯滤波基础上加了像素值差异的权重，能在平滑的同时尽量保住边缘，适合对细节要求高的场景。

把这四种放在一起对比，读者能直观看到：同一个噪声图，不同滤波器的输出差异有多大，以及为什么实际工程中往往要“因噪制宜”地选滤波器。

2.3 评价体系的设计：不能只看眼睛

很多人做这个实验只看视觉效果，觉得“看起来干净了”就算好。但视觉评价太主观，不同的人、不同的显示器可能得出不同结论。所以我建议同时引入客观指标，最常用的两个是PSNR（峰值信噪比）和SSIM（结构相似性）。

PSNR衡量的是滤波后图像与原始图像的像素级差异，单位是dB，数值越高说明失真越小。它的计算很简单：先算均方误差MSE，再用公式PSNR = 10 * log10(255^2 / MSE)得到。SSIM则从亮度、对比度、结构三个维度衡量相似性，取值范围0到1，越接近1说明结构保留得越好。PSNR对像素误差敏感，SSIM对结构变化敏感，两者结合能更全面地评价滤波效果。

需要提醒的是，PSNR高不一定代表视觉效果好。比如中值滤波去椒盐噪声时PSNR可能很高，但图像会显得有点“块状”；双边滤波PSNR可能不是最高，但边缘保留得更好，视觉上更舒服。所以我的做法是：客观指标排序，主观观察定夺，两者缺一不可。

3. 核心细节解析与实操要点：噪声生成和滤波实现的那些坑

3.1 椒盐噪声的生成：密度参数到底怎么理解

椒盐噪声的生成逻辑很直接：遍历图像每个像素，以一定概率把它变成0或255。MATLAB里可以用rand生成均匀随机数，然后设定阈值来判断。关键参数是噪声密度d，它表示被噪声污染的像素占总像素的比例。比如d=0.05，意味着大约5%的像素会变成椒盐点。

这里有个容易混淆的地方：d是“总污染比例”，不是“胡椒比例加盐比例”。通常的做法是，在d里面再分一半给胡椒（0）、一半给盐（255），也就是各占d/2。如果你想让胡椒和盐的比例不一样，可以自己调整。我实测下来，d取0.01到0.1之间比较合适：太小了看不出效果，太大了图像几乎全黑全白，滤波也救不回来。

代码实现上，我习惯用向量化操作而不是双重循环，速度快很多。核心思路是生成一个与图像同尺寸的随机矩阵，然后根据阈值生成逻辑索引，直接赋值。具体代码在下一节会给出。

注意：生成椒盐噪声时，如果原图是彩色图，要对三个通道分别处理还是统一处理？我的建议是统一处理，即三个通道在同一位置同时被污染，这样更符合实际传感器坏点的表现。如果分别处理，会出现彩色噪点，那是另一种噪声模型了。

3.2 高斯噪声的生成：均值和方差怎么定

高斯噪声的生成更简单，MATLAB里直接用imnoise(I, 'gaussian', m, v)就行，其中m是均值，v是方差。默认m=0，v=0.01。均值一般设为0，因为非零均值相当于给图像加了整体偏移，那不是噪声而是亮度调整。方差决定了噪声的强度：v越大，噪声越明显。

这里有个细节：imnoise的方差参数是针对归一化到[0,1]范围的图像而言的。如果你的图像是uint8类型（0到255），imnoise会自动处理归一化，你不需要手动除255。但如果你自己用randn生成噪声再叠加，就要注意量纲问题。我一般直接用imnoise，省事且不容易出错。

方差的选择上，v=0.01对应比较温和的噪声，v=0.05就已经很严重了。我建议实验时取v=0.01和v=0.02两档，既能看出差异，又不至于把图像毁得没法看。

3.3 滤波器的MATLAB实现：窗口大小和参数怎么调

四种滤波器的实现方式各有不同。均值滤波可以用imfilter配合fspecial('average', k)生成的均值模板，k是窗口大小，通常取3、5、7。中值滤波直接用medfilt2(I, [k k])，k同样是窗口大小。高斯滤波用fspecial('gaussian', k, sigma)生成模板，sigma是标准差，控制权重衰减速度。双边滤波MATLAB没有内置函数，需要自己写或者用第三方实现，核心是计算空间距离权重和像素值差异权重的乘积。

窗口大小的选择是个权衡：窗口越大，平滑效果越强，但细节丢失越严重，计算量也越大。我实测下来，3x3适合轻度噪声，5x5是通用选择，7x7以上就要谨慎了，除非噪声特别严重。sigma的选择上，高斯滤波的sigma一般取窗口大小的1/6到1/3，比如5x5窗口配sigma=1.0到1.5比较合适。

双边滤波的参数更复杂一些：空间域sigma_s控制空间权重的衰减，值域sigma_r控制像素值差异权重的衰减。sigma_s通常取窗口大小的1/3左右，sigma_r要根据噪声强度来定，噪声越大sigma_r应该越大，否则滤波效果不明显。我一般先设sigma_s=3、sigma_r=0.1试一下，再根据效果微调。

实操心得：写双边滤波时，双重循环会非常慢，一张512x512的图可能要跑几十秒。建议用向量化或者积分图加速，或者先用小图（比如256x256）调试参数，确定后再跑大图。

4. 完整实操流程与核心代码实现

4.1 实验环境准备与图像读取

我用的环境是MATLAB R2020b，图像处理工具箱是必须的，因为imnoise、medfilt2、fspecial、imfilter这些函数都在里面。如果你没有工具箱，也可以自己写，但没必要重复造轮子。

图像读取我选了一张标准的灰度测试图，尺寸512x512。如果你手头没有合适的图，可以用MATLAB自带的cameraman.tif或者peppers.png转灰度。读取后先转成double类型并归一化到[0,1]，这样后续计算PSNR时方便，也避免uint8运算时的截断问题。

% 读取图像并预处理 I = imread('cameraman.tif'); if size(I, 3) == 3 I = rgb2gray(I); end I = im2double(I);

4.2 椒盐噪声与高斯噪声的生成代码

椒盐噪声的生成我用向量化方式，核心是生成随机矩阵后按密度阈值赋值。高斯噪声直接用imnoise。

% 椒盐噪声生成 d = 0.05; % 噪声密度 J_sp = I; rand_mat = rand(size(I)); J_sp(rand_mat < d/2) = 0; % 胡椒噪声 J_sp(rand_mat >= d/2 & rand_mat < d) = 1; % 盐噪声 % 高斯噪声生成 v = 0.01; % 方差 J_gauss = imnoise(I, 'gaussian', 0, v);

这里有个细节：rand_mat < d/2和rand_mat >= d/2 & rand_mat < d这两个条件互斥且完备，保证了总污染比例约为d。如果你想让胡椒和盐的比例不同，调整两个阈值即可。

4.3 四种滤波器的调用与参数设置

均值滤波、中值滤波、高斯滤波的调用很直接，双边滤波我写了一个简化版函数。

% 均值滤波 k = 5; h_mean = fspecial('average', k); J_mean = imfilter(J_sp, h_mean, 'replicate'); % 中值滤波 J_median = medfilt2(J_sp, [k k]); % 高斯滤波 sigma = 1.5; h_gauss = fspecial('gaussian', k, sigma); J_gauss_filter = imfilter(J_gauss, h_gauss, 'replicate'); % 双边滤波（简化版） function J_bf = bilateral_filter(I, k, sigma_s, sigma_r) [m, n] = size(I); pad = floor(k/2); I_pad = padarray(I, [pad pad], 'replicate'); J_bf = zeros(m, n); [X, Y] = meshgrid(-pad:pad, -pad:pad); spatial_weight = exp(-(X.^2 + Y.^2) / (2 * sigma_s^2)); for i = 1:m for j = 1:n patch = I_pad(i:i+2*pad, j:j+2*pad); range_weight = exp(-(patch - I_pad(i+pad, j+pad)).^2 / (2 * sigma_r^2)); weights = spatial_weight .* range_weight; J_bf(i, j) = sum(patch(:) .* weights(:)) / sum(weights(:)); end end end

双边滤波这段代码是双重循环，跑512x512的图确实慢，大概要十几秒。如果你嫌慢，可以把k设小一点，或者先用256x256的图调试。replicate边界填充方式比零填充更合理，因为零填充会在边缘引入人为的黑边，影响滤波结果。

4.4 PSNR和SSIM的计算与对比

PSNR和SSIM的计算MATLAB都有内置函数，psnr和ssim，直接调用即可。注意输入图像要在同一量纲下，我都是归一化到[0,1]的double类型，所以直接传进去就行。

% 计算PSNR和SSIM psnr_sp_mean = psnr(J_mean, I); psnr_sp_median = psnr(J_median, I); psnr_gauss_gauss = psnr(J_gauss_filter, I); psnr_gauss_bf = psnr(bilateral_filter(J_gauss, k, 3, 0.1), I); ssim_sp_mean = ssim(J_mean, I); ssim_sp_median = ssim(J_median, I); ssim_gauss_gauss = ssim(J_gauss_filter, I); ssim_gauss_bf = ssim(bilateral_filter(J_gauss, k, 3, 0.1), I);

把结果整理成表格，一眼就能看出哪种滤波器对哪种噪声更有效。我实测的一组典型数据如下（具体数值会因图像和参数不同而有差异）：

从这组数据能清楚看到：中值滤波对椒盐噪声的PSNR和SSIM都远超均值滤波，而双边滤波对高斯噪声的SSIM比高斯滤波还高一点，说明它在结构保留上确实有优势。但PSNR略低，这是因为双边滤波的平滑力度不如高斯滤波，残留噪声稍多。

4.5 结果可视化与主观评价

客观指标看完，一定要把图显示出来对比。我习惯用subplot把原图、噪声图、各滤波结果排成一行或两行，方便直观比较。

figure; subplot(2, 3, 1); imshow(I); title('原图'); subplot(2, 3, 2); imshow(J_sp); title('椒盐噪声'); subplot(2, 3, 3); imshow(J_mean); title('均值滤波'); subplot(2, 3, 4); imshow(J_median); title('中值滤波'); subplot(2, 3, 5); imshow(J_gauss); title('高斯噪声'); subplot(2, 3, 6); imshow(J_gauss_filter); title('高斯滤波');

看的时候重点关注三个地方：平坦区域的噪声是否被平滑干净、边缘区域是否被模糊、纹理区域的细节是否保留。中值滤波去椒盐噪声后，平坦区域很干净，但边缘会有轻微锯齿感；高斯滤波去高斯噪声后整体平滑，但边缘明显变软；双边滤波的边缘保留最好，但平坦区域可能还有少量噪声残留。

5. 常见问题与排查技巧实录

5.1 为什么我的椒盐噪声看起来不均匀

这是新手最常遇到的问题：明明设了d=0.05，但噪声点分布得一块密一块疏。原因在于rand生成的是伪随机数，在小样本下确实可能出现不均匀。解决办法有两个：一是增大图像尺寸，样本多了自然均匀；二是用更均匀的随机数生成方式，比如低差异序列，但MATLAB默认没有，需要自己实现。我的建议是，如果只是做实验，d=0.05在512x512图上已经足够均匀了，不用太纠结。

另一个可能的原因是，你把d理解成了“胡椒和盐各占d”，实际总污染是2d。检查一下代码里的阈值设置，确保总污染比例符合预期。

5.2 中值滤波窗口开大了会怎样

中值滤波的窗口大小对结果影响很大。3x3窗口只能去除孤立的噪声点，如果噪声密度较高（比如d=0.1），3x3窗口可能不够，因为邻域内噪声点太多，中值也会被污染。这时候需要开到5x5甚至7x7。但窗口越大，图像细节丢失越严重，细小的纹理会被抹平，边缘也会变钝。

我实测的经验是：d=0.01到0.03用3x3，d=0.03到0.07用5x5，d=0.07以上用7x7。如果d超过0.15，中值滤波也救不回来了，图像会变得很“糊”，这时候要考虑更高级的算法，比如自适应中值滤波。

5.3 高斯滤波的sigma和窗口大小怎么配合

高斯滤波有两个参数：窗口大小k和标准差sigma。很多人只调k不调sigma，结果要么平滑不够，要么过度模糊。正确的做法是让sigma和k匹配：sigma太小，高斯模板退化成均值模板；sigma太大，模板边缘权重不为零，相当于窗口被截断，会产生振铃效应。

经验公式是sigma = (k-1)/6到(k-1)/3。比如k=5，sigma取0.67到1.33；k=7，sigma取1.0到2.0。我一般取中间值，k=5配sigma=1.0，k=7配sigma=1.5，效果比较稳。

5.4 PSNR很高但看起来还是脏怎么办

这种情况通常出现在高斯噪声滤波后。PSNR衡量的是像素级误差，如果滤波后图像整体偏暗或偏亮，PSNR可能不高，但视觉上还行；反过来，如果滤波后图像有块状伪影，PSNR可能还行，但视觉上很难看。这时候要看SSIM，SSIM低说明结构被破坏了。

另一个原因是，PSNR对平坦区域的噪声很敏感，但对纹理区域的噪声不敏感。如果噪声主要集中在纹理区域，PSNR可能还行，但视觉上纹理被破坏了。解决办法是结合多种指标，并且一定要用眼睛看。

5.5 双边滤波跑得太慢怎么优化

双边滤波的双重循环是性能瓶颈。优化思路有几个：一是用向量化代替循环，把邻域操作写成矩阵运算；二是用积分图加速，把O(k^2)的邻域求和降到O(1)；三是用GPU加速，MATLAB的gpuArray能把速度提升几十倍。如果只是做实验，我建议先用小图调试参数，确定后再跑大图，或者直接用imguidedfilter代替，它虽然不是严格的双边滤波，但效果类似且速度快很多。

避坑提示：双边滤波的sigma_r参数对噪声强度很敏感。sigma_r太小，滤波退化成高斯滤波；sigma_r太大，边缘保留效果消失。建议先用0.1试，如果噪声残留多就增大到0.2，如果边缘模糊了就减小到0.05。

6. 参数选择与效果对比的深度分析

6.1 噪声密度与滤波窗口的匹配关系

噪声密度d和滤波窗口k之间存在一个经验匹配关系。d越大，需要越大的k来覆盖足够的干净像素。理论上，如果d=0.05，3x3窗口内有9个像素，期望有0.45个噪声点，中值滤波基本能处理；如果d=0.2，9个像素里期望有1.8个噪声点，中值可能被污染，需要5x5窗口。我整理了一个参考表：

均值滤波对椒盐噪声本身就不擅长，因为极端值会拉偏均值。所以均值滤波的窗口选择更多是看高斯噪声的强度，而不是椒盐密度。

6.2 高斯噪声方差与滤波参数的对应

高斯噪声的方差v决定了噪声的幅度。v越大，需要越强的平滑。但平滑越强，细节丢失越多。我实测下来，v=0.01用5x5窗口配sigma=1.0就够了；v=0.02需要7x7配sigma=1.5；v=0.05以上就要考虑双边滤波或者非局部均值了，普通高斯滤波会把图像糊得没法看。

双边滤波的sigma_r和v的关系更直接：sigma_r应该和噪声的标准差成正比。噪声标准差是sqrt(v)，所以sigma_r可以取2到3倍的sqrt(v)。比如v=0.01，sqrt(v)=0.1，sigma_r取0.2到0.3比较合适。

6.3 客观指标与主观视觉的冲突处理

前面提到PSNR和SSIM可能和视觉感受不一致，这里展开说一下怎么处理。我的做法是分三步：第一步，用PSNR和SSIM筛掉明显差的方案；第二步，把剩下的方案图放大看细节，重点看边缘和纹理；第三步，如果客观指标和主观感受冲突，以主观感受为准，因为图像最终是给人看的。

举个例子，中值滤波去椒盐噪声时，PSNR可能比双边滤波高，但双边滤波的边缘更自然。如果应用场景是医学影像，边缘信息很重要，那就选双边滤波；如果是文档扫描，文字边缘稍微钝一点没关系，那就选中值滤波。没有绝对的最优，只有最适合场景的选择。

7. 我踩过的坑和几条实用建议

第一个坑是图像类型转换。一开始我没把uint8转成double，直接做滤波，结果像素值溢出，图像一片白。后来养成习惯，读进来先im2double，所有运算都在[0,1]范围内做，最后显示时再转回uint8。

第二个坑是边界处理。imfilter默认用零填充，导致滤波后图像边缘有一圈黑边。后来改用replicate，边缘正常了。medfilt2默认也是零填充，需要手动指定'symmetric'或者先padarray。

第三个坑是PSNR计算时的量纲。如果一张图是uint8，另一张是double，psnr会报错或者算出离谱的值。一定要统一量纲，我都是统一用double。

第四个坑是双边滤波的参数调试。sigma_s和sigma_r两个参数互相影响，调一个另一个也要跟着调。我的经验是固定sigma_s=3，只调sigma_r，这样容易找到规律。

最后分享一个小技巧：做对比实验时，把原图、噪声图、各滤波结果拼成一张大图保存下来，方便反复看。MATLAB的montage函数可以自动排列，比手动subplot省事。另外，每次改参数后把PSNR和SSIM记到表格里，积累多了就能看出参数变化的趋势，比每次重新试要高效得多。

这个实验虽然基础，但它是理解更复杂去噪算法（比如非局部均值、BM3D、深度学习去噪）的基石。把椒盐噪声和高斯噪声的生成与滤波吃透了，后面学什么去噪方法都能快速上手。我在实际项目中遇到图像质量问题，第一反应也是先判断噪声类型，再选滤波器，这套思路从来没变过。