Matlab 哪一种是模拟加性高斯噪声的正确方法

我有一个无噪音的图像

I

。我想模拟添加到图像中的加性高斯噪声（零均值和变化

v

）

n

。系统的输出为：

要模拟它，我们有两种方法：

创建高斯噪声并将其添加到图像中

在MATLAB中使用

imnoise

函数

我用了两种方法，但结果不同。你能确定哪一个是正确的吗？为什么它们不相等？据我所知，我认为

imnoise

是正确的

在我的模拟中，我使用噪声百分比的定义作为

“噪声百分比”数字表示整个图像中高斯噪声与信号标准偏差的百分比比率

---

我用黑体字标出了要点：

J=imnoise（I，'gaussian'，M，V）

向图像I添加均值为M且方差为的高斯白噪声。默认值为方差为0.01的零均值噪声。

及

R=normrnd（mu，sigma）

使用平均参数mu和标准偏差参数sigma从正态分布生成随机数。

我认为这两种方法应该是相当平等的，同样正确的任务和任何其他后，方差被纠正，也就是说，之后

I_noise2 = imnoise( I, `gaussian`, 0, v^2 ); % orr sqrt(v) depends...

---

除了

normrnd

将标准偏差作为输入，而

imnoise

期望方差（如@mainactual所述）之外，还存在数据类型和值范围的问题

imnoise

文档中有一个注释：

注意：始终指定“高斯”噪声类型的均值和方差参数，就好像图像属于范围[0,1]内的

双
类。如果输入图像的类别为
uint8
，则
imnoise
功能将图像转换为
double
，根据指定的类型和参数添加噪声，然后将噪声图像转换回与输入相同的类别

如果输入图像已在[0,1]范围内
double
，这意味着在添加噪声后将输出值剪裁到[0,1]范围

在这种情况下，
normrnd
也可以替换为对
randn
的简单调用

例如：

% input image
I = imread('eight.tif');
I = im2double(I);  % convert to double in [0,1] range

% noise mean/variance
m = 0;
v = (0.4 * std(I(:)))^2;

% normrnd
noise1 = normrnd(m, sqrt(v), size(I));
I1 = I + noise1;
I1 = max(0, min(I1, 1));  % clip to [0,1] range

% randn
noise2 = randn(size(I))*sqrt(v) + m;
I2 = I + noise2;
I2 = max(0, min(I2, 1));  % clip to [0,1] range

% imnoise
I3 = imnoise(I, 'gaussian', m, v);

% compare
subplot(221), imshow(I),  title('original')
subplot(222), imshow(I1), title('normrnd')
subplot(223), imshow(I2), title('randn')
subplot(224), imshow(I3), title('imnoise')

我测试了您的代码，在“I_noise1=I+n；”行中出现错误。它说矩阵尺寸必须一致。我没有原始的“8.tif”，所以我不得不使用另一个image@VMMF：以上代码假设为灰度图像（如果图像为RGB，则计算的大小错误）感谢Amro。我读了一些论文，他们经常给出噪音的百分比，我只是把它乘以方差。你认为我的实现有意义吗？我想是的，我想这取决于你如何定义“噪音百分比”。。以下是一些相关帖子：，
I_noise2 = imnoise( I, `gaussian`, 0, v^2 ); % orr sqrt(v) depends...

% input image
I = imread('eight.tif');
I = im2double(I);  % convert to double in [0,1] range

% noise mean/variance
m = 0;
v = (0.4 * std(I(:)))^2;

% normrnd
noise1 = normrnd(m, sqrt(v), size(I));
I1 = I + noise1;
I1 = max(0, min(I1, 1));  % clip to [0,1] range

% randn
noise2 = randn(size(I))*sqrt(v) + m;
I2 = I + noise2;
I2 = max(0, min(I2, 1));  % clip to [0,1] range

% imnoise
I3 = imnoise(I, 'gaussian', m, v);

% compare
subplot(221), imshow(I),  title('original')
subplot(222), imshow(I1), title('normrnd')
subplot(223), imshow(I2), title('randn')
subplot(224), imshow(I3), title('imnoise')