成像系统中有很多噪声源。在声纳系统（我工作的领域）中存在一个很大的混响问题，这是一种奇特的说法，即“来自我们不感兴趣的东西的声音。在海上使用声纳时，你会从海面，海床和水量。以音量混响为例，这是水本身（或其中的粒子）将声音返回到接收器。与此相关的最佳方式就像在雾夜。海床和海面可以吸收或反射声能，具体取决于它们的成分（例如海况）。值得注意的是，这会干扰您的声纳图像。

另一个被忽视的噪声源是信号处理本身。你的传感器不会是完美的，并且会很高兴地扭曲它试图测量的现象的幅度和相位。在声学中，您会发现麦克风和水听器将被“调谐”到一定的带宽，并且在这个频率范围之外完全没用。通常，您的模数转换器将具有某种形式的量化误差，其值会吐出。它根本没有代表现实世界测量所需的无限精度。在我们离开这个主题之前，我们应该意识到任何电子设备都会受到来自其环境的干扰（例如感应、辐射、糟糕的设计）。将所有这些加在一起，您就可以估算出所谓的“本底噪声”

一旦进入数字世界，您的样本值就不会受到额外噪音的影响。但是等等还有更多。在声学中，您需要电动控制阵列并在空间上过滤传入信号（从不同方向看）。这也称为波束成形。波束成形的基本原理是对接收到的信号应用延迟，然后将它们加在一起。利用建设性和破坏性干扰的强大功能，可以消除不相干信号，并强调相干信号。这也不是完美的，因为空间衰减的程度取决于许多因素（例如阵列长度和元件间距）。值得指出的是，处理的这一方面在精度有限的数据类型上具有相当多的算术功能。通常它'

有很多因素，答案可能非常模棱两可，我将告诉你一个例子：在一个简单的数码相机中，你有一个传感器矩阵，用于在它的数字样本中转换观察到的空间，传感器能够接收红光、绿光、蓝光，在某些情况下还有白光，一个像素由这些传感器组合而成，并且光束与传感器的到达比例不同，实际上是到达光束的正态分布应该在每个传感器上。这可以在非移动场景的视频中得到体现，如果您仔细观察，您会看到一些像素如何以嘈杂的方式改变其颜色。

由于这种简单的效果存在于一个简单的相机中，您可以想象其他类型的传感器存在哪些问题。在超声中获取图像也是同样的原理，有一个传感器矩阵来收集一些信息，这些信息是受观察区域组织影响的反射声，被观察区域的声音等等很多东西.

这些是简单的示例，您可以了解图像嘈杂的原因。如果您对更多信息感兴趣，请查看图像提取技术，但请始终记住，有很多事情可能会干扰提取过程，并考虑哪些可能是这些伪影。

在雷达系统中，您有加性噪声和散斑。加性噪声通常是加性热噪声。在加性噪声的情况下，您可以通过简单地增加发射信号功率来提高 SNR——您是否可以为您的系统实际做到这一点是另一回事。

在乘性噪声的情况下，增加发射信号功率不会提高 SNR，因为噪声与发射信号功率成比例增加。例如，参见另一篇文章中提到的 Sonar 中的混响问题。

在雷达中，散斑是由分辨率单元中存在大量单独的散射体引起的（分辨率取决于合成孔径系统中的脉冲带宽和孔径长度）。考虑以 1m 的分辨率查看一片草地——由于存在许多单独的草叶——结果会不连贯地添加并产生所谓的斑点。如果我们增加发射功率，草只会将更多的能量反射回接收器，它们仍然会不连贯地添加，因此您不会看到信噪比有任何改善。

在您给出的示例中，噪声功率与信号的 sqrt 成正比，因此噪声的方差（假设噪声为零均值）与信号电平成正比 - 但方差是噪声功率的量度。让我们说一下信号中的功率$u=1$和方差$\eta=1$IE$E(\eta^2)=1$, 所以信噪比$= 1/1$.

如果我们按比例缩放输入信号$A$那么，在你给出的模型下，信号功率是$A^2$但噪声功率是$E(A\eta^2)=AE(\eta^2)=A$. 因此新的 SNR =$A^2/A=A$所以SNR有一些改善。但在附加热噪声的情况下，改进本来是$A^2$因为附加热噪声的功率不受信号功率的影响，即它们是独立的。

所以你的例子是两个极端之间的混合体。供您参考的另一个乘性噪声示例是本地振荡器、ADC 等时钟中的相位噪声。