///高斯密度函數
///& lt；/summary & gt；
///& lt；param name = " z " & gt隨機數
///& lt；param name = " u " & gt數學的期望值
///& lt；param name = " a " & gt差異
///& lt；returns & gt& lt/returns & gt；
靜態雙gossp(雙z、雙u、雙a)
{
雙p；
p = ( 1 / (a *數學。Sqrt(2 *數學。PI)) *
數學。Pow(數學。e，-(數學。Pow(z - u，2)/(2 * a * a))))；
返回p；
}
///& lt；總結& gt
///對圖形進行高斯噪聲處理。
///& lt；/summary & gt；
///& lt；param name = " img " & gt& lt/param & gt；
///& lt；param name = " u " & gt數學的期望值
///& lt；param name = " a " & gt差異
///& lt；returns & gt& lt/returns & gt；
靜態公共位圖goss_noise(Image img，double u，double a)
{
int寬度= img。寬度；
int height = img。身高；
Bitmap bitmap2 =新位圖(img)；
Rectangle rectangle1 =新矩形(0，0，寬度，高度)；
PixelFormat格式=位圖2。像素格式；
位圖數據data =位圖2。LockBits(rectangle1，ImageLockMode。讀寫，格式化)；
IntPtr ptr = data。Scan0
int numBytes = width * height * 4；
byte[] rgbValues =新字節[numBytes]；
法警。Copy(ptr，rgbValues，0，numBytes)；
Random Random 1 = new Random()；
for(int I = 0；我& lt數字字節；i += 4)
{
for(int j = 0；j & lt3;j++)
{
雙z；
z = random1。next double()-0.5+u；
double pz = gossp(z，u，a)；
double r = random1。next double()；
//調試。writeline if(pz & lt；0.1，字符串。format(" z = { 0 } \ tpz = { 1 } \ tr = { 2 } "，z，pz，r))；
if(r & lt；= pz)
{
double p = RGB values[I+j]；
p = p+z * 128；
如果(p & gt255)
p = 255
如果(p & lt0)
p = 0；
rgbValues[i + j] =(字節)p；
}
}
}
法警。Copy(rgbValues，0，ptr，numBytes)；
位圖2。解鎖位(數據)；
返回位圖2；
}
要回答這三個問題，妳需要先了解概率密度函數的意義。
高斯密度函數的含義是:
如果壹個隨機數出現多次，其平均值為U，方差為A，那麽這個隨機數序列中出現壹個特定Z值的概率是多少？
所以需要產生壹個隨機數z，然後用高斯函數知道它出現的概率。
也就是pz。
那麽，在知道了這個Z“應該”的概率之後，就要想辦法讓他按照這個概率作用於原圖上的像素。
所以采用第二個隨機數R，R是平均概率的0-1的數，所以概率R，R小於等於pz正好等於pz。
所以，如果隨機量Z在R小於等於pz時起作用，那麽Z的概率就是pz。
這樣，對於n z的，他的概率客觀上服從高斯分布。
最後，關於-0.5的原因:
這就涉及到z的範圍了。
原則上，如果產生的噪聲在-128和+128之間，且數學期望為0，方差為0.1，則產生Z(壹般在數十位數值)的概率幾乎為零，不可能產生可見幹擾。
所以我考慮是否采用壹個-0.5到+0.5的z值，讓z的概率足夠大，在方差為0.1時產生足夠的噪聲。
但是這樣z的值太小，只在-0.5到+0.5的範圍內，對圖像的幹擾不明顯，所以我盡量把z看成壹個比例值，放大到-128到+128的範圍，這樣對圖像的幹擾大到可以觀察到處理後的效果。