噪声表现形式的噪声往往表现为在图像上引起强烈视觉效果的孤立像素点或像素块。 一般来说，噪声信号与研究对象无关，表现为无用信息，扰乱图像的可观测信息。 通俗地说，噪声使图像不清晰。
噪声对数字图像的影响对于数字图像信号，噪声表是大或小的极值，这些极值通过加减作用于图像像素的真实灰度值，给图像带来亮、暗噪声，使图像质量大幅下降，经过图像复原、分割、特征提取、图像识别等后
秀丽牌杆噪声的性质噪声可视为随机信号，具有统计学特征属性。 功率谱密度(功率谱分布PDF )是噪声的特征之一，根据功率谱密度对噪声进行分类。
秀丽橱柜噪声是指其概率密度函数服从秀丽橱柜分布即正态分布的一类噪声。 一种噪声，其宽度分布服从干净橱柜的分布，其功率谱密度均匀分布，称为干净橱柜的白噪声。 秀丽衣柜的白噪声二阶矩不相关，一阶矩为常数，指前后信号的时间相关。
概率函数PDF :
p(x )=12e ) x) 22
这里，z表示灰度值，表示z的平均值或期待值，表示z的标准偏差。 标准偏差的平方2称为z的方差。
产生原因：1)图像传感器在拍摄时市场不明亮，亮度不均匀2 )电路各部件自身的噪声和相互影响； 3 )图像传感器长时间工作，温度过高。
表现形式信号
图像原图像
放入干净的储物柜噪音后
干净储物柜滤波器是指干净储物柜滤波器是线性滤波器，能有效抑制噪声，使图像平滑。 其作用原理与平均滤波器相似，均将滤波器窗口内的像素的平均值作为输出。 其窗口模板的系数不同于平均滤波器，平均滤波器的模板系数均相同1； 优美储物柜过滤器的模板系数随着距离模板中心的增大而减小。 因此，漂亮的储物柜滤波器与平均滤波器相比，对图像的模糊度小。
二维优美的储物柜函数如下。
h(x，y )=ex2 y222
这里，(x，y )是点坐标，在图像处理中可以认为是整数； 是标准偏差。 要得到秀丽储物柜过滤器的模板，可以将秀丽储物柜函数离散化，将得到的秀丽储物柜函数值作为模板的系数。 例如，若要创建漂亮的33储物柜过滤器模板，请以模板的中心位置为坐标原点进行采样。 模板中每个位置的坐标如下所示： 其中I轴(与x轴相同的位置)水平向右，j轴(与y轴相反的方向)垂直向下。
这样，将各位置的坐标带入秀丽的摇摆函数中得到的值就是模板的系数。
如果窗口模板的大小为2 k12 k1，则模板中每个元素的值的计算方法如下：
Hi，j=122e(ik1 )2) JK1 ) 222
理论上，漂亮的橱柜在所有定义域中都分布着非负值，需要无限大的卷积核。 实际上，取平均值周围标准偏差3倍以内的值，其他部分直接去除即可。
根据以上公式计算的模板有两种格式：小数和整数。
小数格式模板是直接计算得到的值，未经任何处理；
如果是整数，则需要将模板左上角的值归一化为1的归一化处理。 具体说明。 如果使用整数模板，则必须在模板之前加上系数。 系数为1(I，j ) wwi，j，即模板系数之和的倒数。
下图是标准偏差为1.0的整数值的漂亮的储物柜核心。
美丽柜子函数有五个重要性质，这些性质在初始图像处理中特别有用。 这些性质表明，优美橱柜平滑滤波器无论在空域还是频域都是非常有效的低通滤波器，在实际图像处理中得到了工程人员的有效使用。 优美的橱柜函数有五个非常重要的性质，它们是。
)1)二维漂亮储物柜函数具有旋转对称性。 也就是说，滤波器各方向的平滑度是相同的。 一般地，由于某个图像的边缘方向事先不知道，所以在滤波之前，一个方向比另一个方向需要更多的平滑度。 旋转对称性意味着漂亮的储物柜平滑滤波器在随后的边缘检测中不在任何方向上偏移。
)2)干净储物柜函数是单值函数。 这表明，干净的柜滤波器将该点的像素值置换为像素附近的加权平均值，各附近像素点的权重根据该点与中心点的距离单调增减。 这个性质很重要。 由于边缘是图像的局部特征，如果平滑运算对距离算子中心较远的像素点作用也很大，则平滑运算会使图像失真。
)3)干净储物柜函数的傅里叶变换谱为单瓣。 如下所示，该性质是干净的锁存函数dddtd变换等于干净的锁存函数本身的事实的直接推论。 图像经常被不希望的高频信号污染(噪声和精细纹理)。 另一方面，边缘等期望的图像特征包含低频成分和高频成分两者。 干净的储物柜函数dddtd变换的单瓣意味着平滑的图像不会受损
)4)干净储物柜滤波器的宽度)由参数表示，与平滑度的关系非常简单。 越大，漂亮的储物柜滤波器的频带越宽，平滑度越好。 通过调节平滑度参数，可以使图像特征过度
模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷．（5）由于秀丽的柜子函数的可分离性，较大尺寸的秀丽的柜子滤波器可以得以有效地实现．二维秀丽的柜子函数卷积可以分两步来进行，首先将图像与一维秀丽的柜子函数进行卷积，然后将卷积结果与方向垂直的相同一维秀丽的柜子函数卷积．因此，二维秀丽的柜子滤波的计算量随滤波模板宽度成线性增长而不是成平方增长．
秀丽的柜子核的生成知道生成的原理，实现起来也就不困难了。
void generateGaussianTemplate(double window[][11], int ksize, double sigma){ static const double pi = 3.1415926; int center = ksize / 2; // 模板的中心位置，也就是坐标的原点 double x2, y2; for (int i = 0; i < ksize; i++) { x2 = pow(i - center, 2); for (int j = 0; j < ksize; j++) { y2 = pow(j - center, 2); double g = exp(-(x2 + y2) / (2 * sigma * sigma)); g /= 2 * pi * sigma; window[i][j] = g; } } double k = 1 / window[0][0]; // 将左上角的系数归一化为1 for (int i = 0; i < ksize; i++) { for (int j = 0; j < ksize; j++) { window[i][j] *= k; } }} σ值的意义及选取通过上述的实现过程，不难发现，秀丽的柜子滤波器模板的生成最重要的参数就是秀丽的柜子分布的标准差σ。标准差代表着数据的离散程度，如果σ较小，那么生成的模板的中心系数较大，而周围的系数较小，这样对图像的平滑效果就不是很明显；反之，σ较大，则生成的模板的各个系数相差就不是很大，比较类似均值模板，对图像的平滑效果比较明显。
来看下一维秀丽的柜子分布的概率分布密度图：
横轴表示可能得取值x，竖轴表示概率分布密度F(x)，那么不难理解这样一个曲线与x轴围成的图形面积为1。σ（标准差）决定了这个图形的宽度，可以得出这样的结论：σ越大，则图形越宽，尖峰越小，图形较为平缓；σ越小，则图形越窄，越集中，中间部分也就越尖，图形变化比较剧烈。这其实很好理解，如果sigma也就是标准差越大，则表示该密度分布一定比较分散，由于面积为1，于是尖峰部分减小，宽度越宽（分布越分散）；同理，当σ越小时，说明密度分布较为集中，于是尖峰越尖，宽度越窄！
于是可以得到如下结论：
σ越大，分布越分散，各部分比重差别不大，于是生成的模板各元素值差别不大，类似于平均模板；σ越小，分布越集中，中间部分所占比重远远高于其他部分，反映到秀丽的柜子模板上就是中心元素值远远大于其他元素值，于是自然而然就相当于中间值得点运算。 参考文献秀丽的柜子噪声
图像处理基础(4)：秀丽的柜子滤波器详解