- 综合排序
- 最热优先
- 最新优先
- 来自专栏嵌入式随笔
窄带噪声、高斯噪声、白噪声
窄带噪声、高斯噪声、白噪声是噪声里经常听到几个词。先看一下大致定义： 高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。 窄带噪声是指频带范围较窄的一类噪声，系统的频带宽度远远小于其中心频率的系统。 白噪声是指它的功率谱密度函数在整个频域内是常数，即服从均匀分布。 可以看出他们描述的属于不同的领域，高斯噪声是从概率方面描述，窄带是从带宽方面描述，白噪声是从功率方面描述。 高斯型白噪声也称高斯白噪声，是指噪声的概率密度函数满足正态分布统计特性，同时它的功率谱密度函数是常数的一类噪声。 还有一种窄带高斯白噪声，概率密度函数满足正态分布统计特性、功率谱密度函数是常数且频带宽度远远小于其中心频率的一类噪声，称作窄带高斯白噪声。
2.5K20编辑于 2022-05-11 - 来自专栏云深之无迹
棕噪声：布朗噪声
棕噪声（Brown noise）又叫 布朗噪声 / 布朗运动噪声，它的功率谱密度是 1/f²，相比粉红噪声（1/f）衰减得更快。 特性 功率谱密度：随频率平方反比衰减 斜率：-20 dB/dec（比粉红噪声的 -10 dB/dec 更陡） 频域特征：低频能量占绝对优势，高频成分非常弱 时域特征：信号非常平滑，变化缓慢，看起来更像缓慢起伏的曲线 白/粉/棕 噪声的频谱对比图 功率谱对比： White noise（白噪声）：功率谱在各频率上均匀分布（0 dB/dec 斜率），在对数坐标上是水平的。 Pink noise（粉红噪声，1/f）：功率谱随频率降低，斜率约 −10 dB/dec，低频成分更强，听感更“柔和”，在音频和自然信号中常见。 功率谱密度 PSD 频谱（功率谱密度 PSD）： 白噪声：谱是平的，所有频率成分能量相等。 粉红噪声：频谱斜率约 -10 dB/decade。
32510编辑于 2026-01-07 - 来自专栏云深之无迹
RMS 噪声：噪声对信号的“功率影响”
RMS（均方根）噪声计算是分析电路中总有效噪声大小的关键方法之一；这个计算方法可能不对，如果不对后面做补篇！ 什么是 RMS 噪声？ RMS 噪声表示在一个频率范围内，随机噪声信号的等效有效值（root mean square），它反映了噪声对信号的“功率影响”。 通用 RMS 噪声计算公式 1. 白噪声简化版（恒定 PSD） 如果 是常数（如热噪声）： 或 适用于热噪声、电阻噪声；，即电压噪声密度（V/√Hz）。 3. 带 1/f 噪声时 用于建模运放输入噪声、低频电流噪声；可拆成：白噪声 + 1/f 成分。 1/f + 白噪声：构建函数积分或仿真 5 最后开根号得 RMS 值，单位转换（通常 µV） 总结一下 场景 RMS 噪声公式 说明 白噪声 如热噪声、电阻噪声 1/f + 白噪声 运放输入噪声
1.1K00编辑于 2025-05-10 MATLAB实现白噪声与色噪声仿真
/N);title('白噪声自相关函数');xlabel('归一化时延');ylabel('幅度');xlim([-0.10.1]);subplot(2,2,3);plot(f,10*log10(Pxx ('色噪声自相关函数');xlabel('归一化时延');ylabel('幅度');xlim([-0.10.1]);subplot(2,1,2);plot(f,10*log10(Pyy));title δ函数特性）色噪声：自相关函数存在非零拖尾，表明时域相关性3.功率谱密度%功率谱密度对比figure;subplot(2,1,1);plot(f,10*log10(Pxx));title('白噪声功率谱密度 ');xlabel('频率(Hz)');ylabel('dB/Hz');xlim([0500]);subplot(2,1,2);plot(f,10*log10(Pyy));title('色噪声功率谱密度 ：f=(0:N/2)*fs/N;%正确计算频率轴功率谱单位转换：%从V²/Hz转换为dB/HzPSD_dB=10*log10(PSD);随机种子控制：rng(0);%固定随机种子保证可重复性该方法通过对比白噪声与色噪声的时域波形
36810编辑于 2025-11-25- 来自专栏AIUAI
Matlab - 产生高斯噪声
例如： %高斯噪声为n(m)=nmr+jnmi,其中实虚部均为独立同分布N(0, a)的高斯随机数，信号x(m)=s(m) + n(m) % SNR = 10 lg[1/(2a)] = – 3 – 10 lg(a) (dB) [之所以是2a不是a是因为实虚部] %若有用信号s(n)的最大幅度am，要求得到的信噪比为p，则p=10log10[(am^2)/b^2]，用这个公式反推出高斯 %噪声的方差b^2 snr=10; sqrt(a)=10^(-(snr+3)/10); noise=normrnd(0,sqrt(a),1,1000)+1*i*normrnd(0,sqrt(a
2.5K60发布于 2019-02-18 - 来自专栏云深之无迹
RMS 噪声：根据系统带宽和噪声密度计算
噪声（V）？ 是最常用的工程级噪声估算公式 从公式看只要知道带宽（Hz）和噪声密度（V/√Hz），就能快速评估噪声底线。 RMS 噪声计算 其中： 符号 含义 单位 噪声密度（Noise Density） V/√Hz（常见为 nV/√Hz） 有效带宽（Bandwidth） Hz 总 RMS 噪声 V（通常为 µV 或 nV） 算一个看看～ 假设：运放输入噪声：；有效带宽： 计算： 把常见的带宽算几个～ 噪声密度 (nV/√Hz) 带宽 (Hz) RMS 噪声 (µV) 1 1 kHz 0.032 µV 5 10 kHz 0.5 µV 10 100 kHz 3.16 µV 20 1 MHz 20 µV
62600编辑于 2025-05-10 - 来自专栏小鹏的专栏
OpenCV之图像噪声
python 代码： import cv2 as cv import numpy as np def add_salt_pepper_noise(image): h, w = image.shape[:2] nums = 10000 rows = np.random.randint(0, h, nums, dtype=np.int) cols = np.random.randint(0, w, nums, dtype=np.int) for i in range(
71720发布于 2021-07-20 - 来自专栏工程师看海
电阻噪声哪里来？
电阻是我们电子电路中最常见的基础元件之一，我们常听说电阻具有噪声，那么电阻的噪声是从哪里来的呢？ 电阻的噪声通常指的热噪声，哪怕电阻没有连接到电路中，没有电流流过电阻，电阻两端也会有电压变化，这就是电阻热噪声，在系统工作频率范围内，电阻的热噪声可以认为是白噪声。 电阻两端开路时，它的热噪声有效值的计算公式是： k是玻尔兹曼常数，k=1.38*10-23 J/K，T是开尔文热力学温度，R是电阻值，B是系统等效噪声带宽。 举例： 当温度是27℃（300开尔文）时，10KΩ的电阻，在100KHz放大电路中，电阻两端的开路热噪声电压有效值是4uV。 相同环境下，如果电阻是20KΩ，则热噪声电压有效值是5.8uV。 同样的，噪声也与温度有关，毕竟这个噪声叫做热噪声，只是这个噪声对温度并不敏感，因为公式中是热力学温度，当温度变化为十几或几十摄氏度时，对噪声的影响并不是很大。
81130编辑于 2022-06-23 - 来自专栏云深之无迹
ADI文档：总噪声是系统中各器件的1f噪声和宽带噪声之和
1/f噪声和宽带噪声之和。 再阅读这两个 系统的总噪声不是仅由带宽和白噪声密度决定，而是系统中各个器件的宽带噪声（白噪声）和 1/f 噪声等频率相关噪声的“平方和积分”。 总噪声的完整表达形式应为： 若系统中各器件具有不同噪声密度函数 ，则总输入等效噪声功率谱密度为： 则系统总噪声（RMS）应为： 实际器件的噪声模型（输入参考） 器件 噪声建模方式 运放 电阻 （白噪声 ） ADC 近似常数（白噪声），或含 Sinc 滤波影响 电源、LDO 带宽有限的低频尖峰 + 白底噪声 电流源（CMOS） 有时存在 1/f 电流噪声成分 总噪声 = 白噪声 + 1/f 噪声之和（ 低频主导，非平坦 总噪声 平方和再开方 系统的总等效输入噪声由各器件的宽带噪声（白噪声）和低频闪烁噪声（1/f 噪声）共同决定。
22200编辑于 2025-05-10 - 来自专栏ISP图像处理相关
图像处理-图像噪声
图像噪声 噪声 加性噪声一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在。 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。 加性高斯白噪声只是白噪声的一种，另有泊松白噪声等,加性高斯白噪声在通信领域中指的是一种各频谱分量服从均匀分布（即白噪声），且幅度服从高斯分布的噪声信号。 椒盐噪声 定义：椒盐噪声又称为双极脉冲噪声，这种噪声表现的特点是噪声像素的灰度值与邻域像素有着明显差异，而其余像素的灰度值保持不变，因此在图像中造成过亮或过暗的像素点。 如果一个噪声，它的幅度服从高斯分布，而它的功率谱密度又是分布均匀的，则称它为高斯白噪声。高斯白噪声的二阶矩不想关，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。
2.9K10编辑于 2022-01-14 - 来自专栏ISP图像处理相关
图像处理-噪声检测
噪声检测 噪声检测方法 将噪声和信号区分开来是影响去噪效果好坏的重要因素之一。 1.1 常见的噪声检测方法 （1）开关阈值法 开关阈值判断法[1]基本思想是：该方法通过一定的规则将噪声点和信号点进行判断，区分成两种类别来控制开关单元。 （纯黑或纯白）的灰度值出现，在噪声点检测时，若灰度值在最大值和最小值的区间范围内，则判断该像素点为信号点，反之为噪声点。 极值判断法在一定程度上能区分噪声点和信号点，尤其椒盐噪声图像，且该方法不用设置阈值，传统的自适应中值去噪方法即采用的是极值法，但该方法对椒盐去噪时，邻域内的某些极值信号像素点在判断过程中易被误判为噪声点 阈值\alpha既不能设置太大，否则易噪声误判；也不能设置太小，否则易造成漏判，文献[3]通过研究给出\alpha=10。
2.6K20编辑于 2022-01-14 - 来自专栏ISP图像处理相关
图像条纹噪声消除
图像条纹噪声消除 条纹噪声 sensor中由于传感器的差异产生固定模式噪声（FPN），FPN与条纹噪声有相似之处。 条纹噪声（Stripe noise ）是由于红外焦平面阵列（infrared focal plane array, IRFPA）中读出电路的不同而造成的。 目前的非均匀性矫正算法的缺点： 1、收敛速度慢 2、不能实时性处理 3、条纹噪声具有方向性（水平垂直）和贯穿性 预设条纹噪声模型 假设图像中像素(i, j)的值 z(i, j)表示为： z(i ；增益 A(i, j)表示固定模式噪声中的乘性分量；偏置分量 B(i, j)表示固定模式噪声中的加性分量。 图、imageJ软件处理步骤 损失了一部分细节，频域滤波器的参数可以精调 基于空域滤波 非均匀校正算法具有普遍性，对于条纹噪声，有时达不到满意的效果。
2.7K10编辑于 2022-01-14 - 来自专栏全栈程序员必看
matlab产生高斯白噪声
（功率的电平值改乘10）。 0 dBm = 1 mW 10 dBm = 10mW 20 dBm = 100 mW 总结 在matlab中无论是wgn还是awgn函数，实质都是由randn函数产生的噪声。 (abs(Y-X).^2)/length(Y-X) % 求出噪声功率 SNR=10*log10(sigPower/noisePower) % 由信噪比定义求出信噪比，单位为 .^2)/length(Y-X)的求法是一致的 %% 方法二： N=1000; y=wgn(N,1,10*log10(0.0965)); Py=(y.' 信噪比的计量单位是dB，其计算方法是10LOG(Ps/Pn)，其中Ps和Pn分别代表信号和噪声的有效功率，也可以换算成电压幅值的比率关系：20LOG(Vs/Vn)，Vs和Vn分别代表信号和噪声电压的“有效值
4.1K20编辑于 2022-11-01 - 来自专栏图像处理与模式识别研究所
空域噪声滤波器
=cv2.imread(path,1) img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) rows,cols=img.shape[:2] #添加噪声 plt.title('原始图像') plt.subplot(2,2,2),plt.axis('off'),plt.imshow(img_noise,plt.cm.gray),plt.title('加入噪声后图像 plt.savefig('C:/Users/xpp/Desktop/result.png') plt.show() put(r'C:/Users/xpp/Desktop/Lena.png') 算法：空域噪声滤波器是在待处理的图像中逐点地移动模板 空域噪声滤波器可以按照以下关系进行分类： 从数学形态上，空域噪声滤波器分为线性滤波器和非线性滤波器 从处理效果上，空域噪声滤波器分为平滑空间滤波器和锐化空间滤波器
56320编辑于 2022-05-29 - 来自专栏Web技术庄园
WebGL进阶——走进图形噪声
运用图形噪声，我们可以在3d场景中模拟它们，本文就带大家一起走进万能的图形噪声。 概述 图形噪声，是计算机图形学中一类随机算法，经常用来模拟自然界中的各种纹理材质，如下图的云、山脉等，都是通过噪声算法模拟出来的。 目前基础噪声算法比较主流的有两类：1. 梯度噪声；2. 细胞噪声； 梯度噪声 (Gradient Noise) 梯度噪声产生的纹理具有连续性，所以经常用来模拟山脉、云朵等具有连续性的物质，该类噪声的典型代表是Perlin Noise。 噪声算法组合 前面介绍了两种主流的基础噪声算法，我们可以通过对多个不同频率的同类噪声进行运算，产生更为自然的效果，下图是经过分形操作后的噪声纹理。
3.1K30发布于 2020-03-18 - 来自专栏tkokof 的技术,小趣及杂念
简单聊聊 Perlin 噪声(上篇)
程序开发中总会用到随机方法,一般的随机方法虽然通用,但是产生的随机数又因为过于"随机",不适合用来生成平滑连续的随机数据(譬如自然地形的高度),这个时候我们便需要使用特殊的随机方法了, Perlin 噪声便是一种能够产生平滑 Value 噪声 为了更容易的理解 Perlin 噪声,我们先从较简单的 Value 噪声看起: 首先我们考虑 一维 情况(即通过一维坐标来获取随机值),如果我们仅使用一般随机方法的话,得到的随机数值是这样的 上述的非线性插值公式还可以进一步改进,基本思想就是使(相邻)端点(整数坐标)处更加"平滑连续"(即在(相邻)端点(整数坐标)处二阶导数相同(连续)): t′=6t5−15t4+10t3r=(1−t′)u +t′v t' = 6t^5 - 15t^4 + 10t^3 \\ r = (1 - t')u + t'v t′=6t5−15t4+10t3r=(1−t′)u+t′v 基于改进的公式,我们得到的随机数值是这样的 至此,我们便得到了 一维 的 Value 噪声. 未完待续
1.3K20发布于 2020-08-28 - 来自专栏tkokof 的技术,小趣及杂念
简单聊聊 Perlin 噪声(下篇)
yyy 轴原始的线性插值系数(实际上,通过 uuu , vvv 我们就能得到 av,bv,cv,dvav, bv, cv, dvav,bv,cv,dv ) ): u′=6u5−15u4+10u3v ′=6v5−15v4+10v3a=dot(ar,av)b=dot(br,bv)c=dot(cr,cv)d=dot(dr,dv)e=(1−u′)a+u′bf=(1−u′)c+u′dr=(1−v′)e+v′ f u' = 6u^5 - 15u^4 + 10u^3 \\ v' = 6v^5 - 15v^4 + 10v^3 \\ a = dot(ar, av) \\ b = dot dr, dv) \\ e = (1 - u')a + u'b \\ f = (1 - u')c + u'd \\ r = (1 - v')e + v'f u′=6u5−15u4+10u3v ′=6v5−15v4+10v3a=dot(ar,av)b=dot(br,bv)c=dot(cr,cv)d=dot(dr,dv)e=(1−u′)a+u′bf=(1−u′)c+u′dr=(1−v′)e+v′
1.5K10发布于 2020-09-01 - 来自专栏AIUAI
时间序列和白噪声
1.什么是白噪声？ 答：白噪声是指功率谱密度在整个频域内均匀分布的噪声。白噪声或白杂讯，是一种功率频谱密度为常数的随机信号或随机过程。 例如，热噪声和散弹噪声在很宽的频率范围内具有均匀的功率谱密度，通常可以认为它们是白噪声。 高斯白噪声的概念——." 信道中加性噪声的来源，一般可以分为三方面： 1）人为噪声：人为噪声来源于无关的其它信号源，例如：外台信号、开关接触噪声、工业的点火辐射等； 2 ）自然噪声：自然噪声是指自然界存在的各种电磁波源，例如：闪电 某些类型的噪声是确知的。虽然消除这些噪声不一定很容易，但至少在原理上可消除或基本消除。另一些噪声则往往不能准确预测其波形。这种不能预测的噪声统称为随机噪声。我们关心的只是随机噪声。 3）起伏噪声：起伏噪声是以热噪声、散弹噪声及宇宙噪声为代表的噪声。这些噪声的特点是，无论在时域内还是在频域内他们总是普遍存在和不可避免的。
2.7K41发布于 2019-02-18 - 来自专栏小鹏的专栏
OpenCV之图像去噪声
python代码： import cv2 as cv import cv2 as cv import numpy as np def add_salt_pepper_noise(image): h, w = image.shape[:2] nums = 10000 rows = np.random.randint(0, h, nums, dtype=np.int) cols = np.random.randint(0, w, nums, dtype=np.int)
99630发布于 2021-07-20 - 来自专栏硬件大熊
共模与差模噪声
噪声传导有两种模式，一种为差模传导，一种为共模传导。 线路中的噪声电流进入和流出，相同大小的电流以相反方向流动，总和始终为零，这种称之为差模传导。 线路中的噪声电流以相同的方向流动，线路承受着相同的电压，这种称之为共模传导。 共模传导经由地线所保持负载的浮动静电容量泄露的电流所导致，然后经过地线回到噪声源（也可能是负载和噪声源之间的直接连接所导致而不经过地线）。 开关电源是发射噪声到电源线的典型噪声源之一，常见的噪声趋势中，差模在较低频率范围内更强，而共模在较高频率范围内更强。 可通过PCB建立屏蔽罩，将噪声源和浮动静电容围住，这是共模电流的回流路径经过屏蔽而不是大地，使整个线路（包括屏蔽）总电流变为0。
76430编辑于 2022-06-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号