图像加高斯噪声：原理、代码、参数与常见陷阱

写这篇文章的起因是我在去噪算法评测上踩过的一次大坑。当时我用一个去噪网络跑公开测试集，指标亮眼得不太正常，排查了整整两天才发现问题不在网络，而在最不起眼的“给图片加高斯噪声”这一步：图像和噪声的数据类型没有处理好，uint8 溢出回绕把噪声分布彻底搅乱，模型等于在一个“假噪声”上做了评测。从那时起，我把这个基础操作的所有细节都梳理了一遍——应用场景、数学原理、实现代码、参数换算、常见陷阱——写出来分享给同样需要做数据增强、算法评测或传感器仿真的朋友。这篇文章不说空话，全程直接给结论和可抄的代码。

1. 加高斯噪声的三个典型场景，以及它们对实现的不同要求

“给图片加高斯噪声”听起来是个工具函数，但不同场景对它的要求其实差很远。我做了几年图像质量相关工作，最常见的需求集中在这三类。

1.1 第一个场景：给去噪算法做基准测试

去噪算法不管是传统的 BM3D、非局部均值，还是各种深度去噪网络，评测时都需要一组“干净图 + 加噪图 + 真值”的样本。标准流程是先准备一批清晰的自然图像，加上固定强度的高斯噪声，让算法去处理加噪图，最后把输出和原始干净图比较，用 PSNR、SSIM 等指标打分。

这个场景对实现的要求很明确：噪声强度必须固定，随机种子必须可控，图像保存必须用无损格式。同一张测试图，你的算法跑一版，别人的算法跑一版，如果两组实验用的噪声不是同一个随机序列，严格来说就不是同一道评测题，指标差异可能来自噪声本身的随机波动，而不是算法真实能力。这一点很多人忽视，后面我会专门讲种子管理。

1.2 第二个场景：数据增强与模型训练

训练图像修复类神经网络，需要海量的“噪声图—干净图”配对。如果只准备一套固定 σ 的数据，模型很容易过拟合到那个噪声强度，换个噪声水平就崩。合理的做法是每张图随机采一个 σ，最好在训练过程中实时生成，让模型见到的噪声分布足够广。

这个场景对实现又有新要求：生成速度要快，内存占用要小，接口要能平滑接进训练框架的 DataLoader。另外，随机种子不需要固定，但最好用局部 RNG 而不是全局种子，避免污染训练流程里其他模块的随机状态。

1.3 第三个场景：传感器噪声仿真

相机传感器在暗光或高 ISO 下会出现明显噪声，虽然真实噪声里还有散粒噪声、读出噪声、固定模式噪声等成分，但一阶近似用高斯噪声来模拟完全够用。ISP 调试、图像质量评测、暗光增强这类工作，经常需要往干净的图里注入可控噪声，用来评估算法在不同“等效 ISO”下的表现。

这个场景关注的是物理合理性：噪声强度往往要跟着信号水平走，暗部相对更明显，不能只用一个全局 σ 一把梭。如果做严谨仿真，需要把高斯噪声当作一个“零件”，和泊松噪声、坏点模型拼在一起用，第五节末尾我会给个进阶公式。

三类场景对实现的需求差异，我整理成一张表：

2. 高斯噪声到底是什么：两个参数和它背后的物理含义

2.1 均值为零的正态分布，σ 决定“吵”到什么程度

图像处理里说的高斯噪声，通常指加性高斯白噪声。数学上，每个像素被加上一个独立采样值，这个采样服从均值为 μ、标准差为 σ 的正态分布：

noisy(x) = clean(x) + n(x)，n(x) ~ N(μ, σ²)

对普通图像，μ 取 0，因为噪声不应该给画面带来整体亮度偏移。σ 的单位就是灰度值。σ = 25 意味着大约 68% 的噪声落在 [-25, 25] 区间，约 95% 的噪声落在 [-50, 50]。这个直觉非常重要：加完噪声后，绝大多数像素的变化都在 ±2σ 以内，真正夸张的离群值很少。

这里要特别强调“独立”两个字。高斯白噪声里的“白”，指的就是像素之间互不相关。如果噪声在空间上有平滑或关联性，它就变成了有色噪声，去噪难度完全不同。写代码时也要注意：np.random.normal 默认生成的就是独立样本，但如果你对同一个数组做了插值、模糊之类的操作，它就白不了了。

2.2 为什么偏偏是高斯

很多人问：传感器里的噪声真的严格服从高斯分布吗？严格说不是，但在绝大多数场景下高斯是极好的近似。原因有三层。

第一是中心极限定理。传感器热噪声、读电路噪声由大量微小的独立随机过程叠加而成，单个过程的分布再奇怪，叠加后的总和也会趋近正态分布。换句话说，即使每个噪声源都不是高斯的，它们加在一起也会“长得像高斯”。

第二是数学上方便。高斯分布有闭合形式的概率密度函数，最大似然估计对应最小二乘，维纳滤波、卡尔曼滤波、变分去噪这些经典方法全部建立在高斯假设之上。你不用高斯假设，很多算法连解析解都推不出来。

第三是作为稳健的基线。一个去噪算法如果连纯高斯噪声都处理不好，面对真实更复杂的噪声大概率也白搭。所以学术界和工业界都约定俗成，先用高斯噪声做第一关测试，过了这关再谈真实场景。

2.3 高斯噪声和其他噪声的视觉区别

我见过不少新手把各种噪声混为一谈。这里用一张表把高频出现的几种噪声区分清楚：

记忆方式很简单：泊松噪声方差跟信号强度走，拍夜空噪点一大堆、拍白墙噪点不那么显眼，就是因为暗部的光子统计波动更突出；高斯加性噪声方差是常数，亮部暗部噪声幅度一样。但人眼的对比度感知是相对的不是绝对的，所以暗部颗粒在视觉上会更刺眼。这个感知特性在选 σ 时有实际意义：暗场景图如果想要同样的主观“吵”感，σ 反而要调小一点。

3. 可复用的三套实现：从最简单到稍微讲究

3.1 Numpy 标准写法

直接给可以抄的版本：

import numpy as np def add_gaussian_noise(image, sigma=25.0, mean=0.0, seed=None): """ image : uint8 数组，灰度图 shape=(H, W)，彩色图 shape=(H, W, 3) sigma : 噪声标准差，单位与像素值一致 seed : 随机种子，评测场景务必传入 """ rng = np.random.default_rng(seed) img_f = image.astype(np.float32) noise = rng.normal(mean, sigma, image.shape).astype(np.float32) noisy = img_f + noise noisy = np.clip(noisy, 0.0, 255.0).astype(np.uint8) return noisy

核心逻辑就三步：转 float、相加、裁切回 [0, 255]。顺序不能乱。有人问我为什么不用 float64，因为 float32 精度完全够，内存还少一半，大批量生成噪声时差距明显。

用 default_rng 而不是 np.random.seed，是为了避免污染全局随机状态。训练代码里其他模块可能也在用 numpy 随机数，全局 seed 会把别人家的随机序列也固定掉，这种 bug 极其难查。

如果你的图像不是 8 位，记得换算：16 位图 σ 要乘 257，[0,1] 浮点图 σ 要除以 255。单位不一致是这类代码最常见的隐性 bug，我见过有人把 σ=25 加到 float 图像上，噪声小到肉眼几乎看不见，整个实验报废。

3.2 OpenCV 的替代写法

老项目里有用 cv2.randn 的习惯，也给你：

import cv2 import numpy as np def add_gaussian_noise_cv2(image, sigma=25.0, mean=0.0): noise = np.zeros(image.shape, dtype=np.float32) cv2.randn(noise, mean, sigma) noisy = image.astype(np.float32) + noise return np.clip(noisy, 0, 255).astype(np.uint8)

cv2.randn 会往已有的数组里写入高斯随机数，效果和 numpy 版本一致。但它的随机种子要靠 cv2.setRNGSeed 控制，在多次调用或并发场景下不如 numpy 局部 RNG 直观。除非项目已经强依赖 OpenCV，否则我更推荐 numpy 版本，少一层隐式状态。

3.3 彩色图像：通道独立还是共用噪声

这是很多人没意识到的问题。如果按 3.1 的函数处理 (H, W, 3) 图像，np.random.normal 会为每个通道各生成一份独立噪声，结果是彩色噪点，因为 RGB 三通道的随机扰动互不相关。

如果想让三通道共用同一组噪声，也就是“灰色噪点”，需要把噪声 shape 改成 (H, W, 1) 再广播：

noise = rng.normal(0, sigma, (H, W, 1)).astype(np.float32) noisy_bgr = img_f + noise # 自动广播到每个通道

两种方式怎么选？数据增强一般用独立通道噪声，更贴近真实传感器去马赛克后的结果；去噪算法评测如果想排除颜色噪声的额外难度，纯粹检验算法对灰度结构的恢复能力，可以用共用噪声。我拿到过一组“加了高斯噪声”的公开数据，后来才发现对方用了共用噪声，我的灰度去噪算法在上面表现极佳，换到独立噪声数据上立刻打回原形。写技术报告务必注明噪声的产生方式，否则别人无法复现。

如果想更讲究，可以在 YUV 或 Lab 空间只给亮度通道加噪，色度通道不动，模拟人眼对亮度噪声敏感、对色度噪声相对钝感的特点。这种玩法通常只用于生成“逼真低光图像”，普通评测不必要。

4. 噪声强度怎么选：σ 和 PSNR 的对应关系

4.1 一眼估算：σ 与 PSNR 的理论换算

高斯噪声的 MSE 期望就是 σ²，所以理论 PSNR = 20·log10(255/σ)。常用档位我列了张表：

实际因为加完噪声后做了 [0,255] 裁切，尾部极端值被削掉，实测 PSNR 会比理论值略高，σ 越大高得越多。但平时做方案规划，这个表完全够用。

4.2 按场景选 σ 的实操建议

去噪算法横向评测，行业惯例是固定三档：σ = 15、25、50。这三档覆盖了轻度、常规、重度，也方便和已发表结果对照。别为了指标好看拼命调小 σ，结果虽然漂亮，但没有说服力，评审一眼就能看穿。

数据增强则反过来，固定 σ 反而是坏选择。我自己的做法是每个批次给每张图从 U(0, 50) 均匀分布里采一个 σ，再留 5% 概率从 U(50, 80) 采极端值，让模型见过“困难样本”又不被带偏。关键原则是：别让模型反复看到同一种噪声强度，否则它学到的只是在特定强度上过拟合。

4.3 从目标 PSNR 反推 σ

有的评测需求是“把图像压到某个 PSNR 以上”，比如视频质量测试要求处理后的图不低于 25 dB，那就需要反推：σ = 255 / 10^(PSNR/20)。目标 25 dB 时 σ ≈ 14.3，目标 20 dB 时 σ ≈ 25.5。

这个换算只对加性高斯噪声和 8 位图成立。换噪声类型、换位深、或者图像本身有大片过曝欠曝区域，都要重新标定。这里得纠正一个常见误解：有人把 σ 当“百分比”用，以为 σ=50 是给每个像素最多加 50% 的扰动，完全不是一回事。σ 是绝对灰度单位，和图像内容无关。

5. 翻车现场复盘：五个我真实踩过的坑

5.1 直接在 uint8 上做加法

uint8 的范围是 0 到 255，而 numpy 的 uint8 加法是取模运算。255 + 1 的结果不是 256，而是 0。如果你把噪声也转成 uint8 再加，亮部区域会叠加出黑斑，暗部区域会叠出白点，噪声分布彻底畸形。当年我第一次写加噪代码就栽在这里，跑出来的图花得没法看，还以为是随机数的问题。

正确顺序永远不会变：图像和噪声都转 float → 相加 → clip → 转回 uint8。

5.2 先转 uint8 再裁切，负数回绕成亮斑

另一种常见错误是 float 加法后忘了 clip，直接 .astype(np.uint8)。numpy 把负浮点数转成 uint8 的行为在不同版本里不一致，有些版本回绕（-5 变成 251），有些版本直接报错。无论哪种，结果都不是高斯噪声，画面上会出现大量幽灵般的亮斑，看起来像随机脉冲噪声混着别的东西。

5.3 共用噪声被误当成独立噪声

这个坑最隐蔽。前面说过，彩色图只生成 (H, W) 的噪声再广播，得到的是灰色噪声。有些代码库为了省内存会这么干，但不告诉下游使用者，人家就默认三通道独立，从而低估任务难度。反过来也一样：你拿着独立噪声数据训练，却拿灰色噪声的公开指标来对标，结论同样失真。

我的建议很朴素：函数注释里明确写 noise_per_channel=True/False，实验记录里把噪声生成策略跟着数据一起存档。

5.4 随机种子管理一团糟

评测场景不固定 seed，等于没评测。更坑的是有人固定了 seed 但用 np.random.seed 这种全局 API，训练代码里某个进程在后面改了全局状态，导致同一行代码前后生成完全不同的噪声序列。改成 np.random.default_rng(seed) 之后，每个函数持有自己的 RNG，互不污染。

补充一个细节：固定 seed 只保证同一个 numpy/OpenCV 版本下结果一致，跨版本升级后具体数值可能变化，这是随机数生成算法实现差异，不是你写错代码，但实验记录里最好带一份依赖版本号。

5.5 保存格式偷吃了噪声

生成噪声图后保存成 JPEG，DCT 压缩会天然滤掉一部分高频噪声，同时叠加 JPEG 自身的块效应。表面上是“加了 σ=25 的噪声”，实际经过 JPEG 后等效噪声强度已经变了。评测和训练统一用 PNG/TIFF 这类无损格式，别让格式偷走你的实验精度。

6. 从“会加噪声”到“规范评测”：去噪实验里约定俗成的细则

6.1 评测协议：固定 σ、固定 seed、固定测试集

去噪领域的通用做法基本一致：找一组公开的干净自然图像，灰度测试集和彩色测试集分开；加噪声时 σ 固定，随机种子固定；算法输出后用 PSNR 和 SSIM 与干净原图比较，整个数据集取平均。

有几个容易忽略的约定：比较时输出图和原图必须严格对齐，不能有平移缩放；算法如果丢弃了边界像素，统计指标时要做同样的裁剪；灰度图评测要“先转灰度再加噪”，而不是“加噪后再转灰度”，这两个顺序的结果完全不同，后者会把色度噪声也算进去。

6.2 训练阶段的增强策略：σ 范围怎么定

训练数据 σ 的分布直接影响模型鲁棒性。只练 σ=25 的模型，换到 σ=50 测试数据上性能下降明显；只练 σ∈[0,50] 均匀采样的模型，σ=25 附近性能可能略低于专用模型，但整体泛化好得多。有经验的做法是宽范围加困难样本抽样，让模型见过极端情况，又不被极端样本带偏。

顺序问题也值得提一嘴：加噪放在缩放、裁剪之前，插值操作会“抹平”一部分高频噪声，等效 σ 下降；放在之后，噪声分布保持完好。想做传感器端噪声仿真就选前者，想做显示端噪声仿真就选后者。

6.3 想仿真得更真实：把高斯噪声当零件而不是终点

真实传感器噪声大致可以拆成三块：散粒噪声（随信号强度变化的泊松成分）、读出噪声（近似高斯）、坏点（固定位置脉冲）。严谨一点的做法是先把干净图过一层泊松噪声，再叠加一层高斯噪声。整体模型可以写成：

noisy = clean + k1 * sqrt(clean) * rng_p + sigma_g * rng_g

第一项方差和像素值成正比，模拟光子计数的随机性；第二项就是本文一直在讲的高斯项。在高光区域，泊松噪声的高斯近似条件成立，模型退化回经典高斯；在暗部，两项同时起作用，更贴近真实观感。如果追求极致，可以分通道标定增益和噪声曲线，那就属于传感器调校的范畴，远不是“给图片加高斯噪声”一句话能覆盖的了。

最后分享一个我保留至今的习惯：加噪函数一定会返回两个值——加噪图和实际使用的 σ，并且批量实验时把 σ、seed、文件名、通道策略写进实验记录。原因是真吃过亏：跑了几百组去噪实验，整理结果时发现某一组数据的噪声参数记错了，只能全部重跑，那种感觉极其酸爽。把这些信息留在流水账里，后面查任何一组结果都能快速对上号。如果你只是临时加个噪声玩一玩，不用这么考究；但只要打算拿这组数据对比算法、写报告、做发布，参数留痕这个习惯越早养成越好。