噪声，就是在获取有效信息过程中得到的一些冗余或干扰的无用信息，可以是自然现象中客观的存在，也可以是在获取信息的过程中出现误差等干扰而形成，总之就是没用的，但或许会对想要获取的有效信息进行干扰的信息。
图像噪声，这里指的是在数字图像获取过程中，得到的一些没用信息。
我们关注的是在计算机视觉或图像处理中的噪声，因此常见的噪声有以下几种：
高斯噪声：是指其概率密度函数服从高斯分布的一类噪声。
高斯白噪声：它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。其二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。高斯白噪声包括热噪声和散粒噪声。在通信信道测试和建模中，高斯噪声被用作加性白噪声以产生加性白高斯噪声。
概率密度函数PDF：
其中x表示灰度值，μ表示x的平均值或期望值，σ表示x的标准差。标准差的平方σ2称为x的方差。
图像示例：
泊松噪声
在原始图片中，主要的噪声为两种，高斯噪声和散粒噪声，其中，高斯噪声是与光强没有关系的噪声，无论像素值是多少，噪声的平均水平（一般是0）不变。另一种是散粒噪声，因为其符合泊松分布，又称为泊松噪声，泊松噪声随着光强增大，平均噪声也增大。
散粒噪声=泊松噪声=shot noise=poisson noise。
散粒噪声为什么服从泊松分布？
泊松过程定义如下，如果一种分布满足以下几个条件
1.时间越长，事件发生的可能越大，且不同时间内发生该事件的概率是相互独立的
2.对于非常短的一段时间△t来说，事件发生的可能性为，o(△t)为高阶无穷小
3.对于非常短的一段时间来说，出现该时间两次的概率几乎为零
4.一开始的时候事件没有发生过
我们就说这个事件是泊松过程，符合以下的概率分布
在时间△t内发生该事件k次的概率如上式所示。
对应到我们的光源成像在CMOS上面的事件，则很明显，时间越长，有一个光子被CMOS接收到这个事件发生的可能性就越大，在非常短的时间内同时受到两个光子的可能性为零。可以自己一一对应。故而是符合泊松分布的。
放一张泊松分布的图供参考
乘性噪声
乘性嗓声和图像信号是相关的，往往随图像信号的变化而变化，如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等，由于载送每一个象素信息的载体的变化而产生的噪声受信息本身调制。在某些情况下，如信号变化很小，噪声也不大。
加性噪声
加性嗓声和图像信号强度是不相关的，如运算放大器，又如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声的，这类带有噪声的图像g可看成为理想无噪声图像f与噪声n之和；高斯噪声、瑞利噪声、指数噪声。
按噪声和信号之间的关系，图像噪声可分为加性噪声和乘性噪声。为了分析处理方便，往往将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相独立的。假定信号为S(t)，噪声为n(t)，如果混合叠加波形是S(t)+n(t)的形式，则称其为加性噪声。加性嗓声和图像信号强度是不相关的，如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声等。 如果叠加波形为S(t)［1+n(t)］的形式，则称其为乘性噪声。乘性噪声则与信号强度有关，往往随图像信号的变化而变化，如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等。
椒盐噪声
椒盐噪声又称脉冲噪声，它随机改变一些像素值，是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。有点类似模拟电视，信号不佳时出现黑白点的图像。椒盐噪声是指两种噪声，一种是盐噪声（salt noise），另一种是胡椒噪声（pepper noise）。盐=白色，椒=黑色。而事实上胡椒粉是灰色而并不是黑色的，前者是高灰度噪声，后者属于低灰度噪声。对付椒盐噪声的最佳办法是中值滤波。椒盐噪声是出现在随机位置、噪点深度基本固定的噪声，高斯噪声与其相反，是几乎每个点上都出现噪声、噪点深度随机的噪声。
图像示例：
参考链接：
https://www.cnblogs.com/sunny-li/p/8378517.html
https://blog.csdn.net/wzz110011/article/details/78151503
https://blog.csdn.net/qq_20823641/article/details/51513567
https://www.cnblogs.com/Keven-Lee/p/6292438.html
https://blog.csdn.net/yeler082/article/details/78168788
https://blog.csdn.net/u013883974/article/details/77494015
