Гауссовский шум, применяемый к изображениям (для моделирования шума датчика)

Question

Я применяю гауссовский шум к изображению.Я думаю, что этот тип шума больше всего похож на шум датчика, который можно ожидать от мусорной камеры (?).

Мой вопрос таков: для 3-канального изображения это значение шума, применяемое ко всем значениям каждого пикселя одинаково, т. Е.

noise = gaussian_value()
pixel = (r+noise, g+noise, b+noise)

, это эффективно изменяет яркость пикселя в целом.

или - это отдельное значение шума, применяемое к каждому из каналов в пикселе, т. Е.

r_noise = gaussian_value()
g_noise = gaussian_value()
b_noise = gaussian_value()
pixel = (r+r_noise, g+g_noise, b+b_noise)

, или - случайный канал, выбранный для каждого применяемого пикселя и шума, т. Е.

noise = gaussian_value()
pixel[randint(0,2)] += noise

Какой из этих методов наиболее точно моделирует тип шума, который я испытываю (т. Е. Шум датчика).Я также думаю, что большинство камер не имеют отдельных канальных датчиков для каждого пикселя и интерполируют значения цвета из окружающих пикселей, поэтому, если это так, влияет ли это на ответ?

Answer 1

Если ваша цель - симулировать шум от реального датчика, вам следует начать с изображения с реальной камеры.Сфотографируйте серую карту, которая расфокусирована, и вычтите среднее значение большого блока вокруг пикселя из значения самого пикселя - это должно дать вам чистый шум, который вы можете анализировать.В зависимости от ваших требований вы можете даже использовать этот сохраненный шум напрямую, наложив его или выбрав случайную начальную точку и увеличивая ее.