2. 噪声模型与参数估计

任务目标

本案例针对RAW域传感器噪声，建立高斯-泊松混合噪声模型，并基于不同ISO下的暗场（暗电流）与均匀光照拍摄数据，估计模型参数。最终输出每个ISO对应的信号依赖噪声系数与固定噪声方差，为后续降噪算法提供参数依据。

噪声模型定义

传感器输出信号\( y \)与真实光电子数\( x \)的关系建模为：

\[ y = x + n_{shot} + n_{read} \]

其中\( n_{shot} \)为散粒噪声（泊松过程近似为信号依赖高斯），\( n_{read} \)为读噪声（固定方差高斯）。合并后总噪声方差为：

\[ \sigma^2(y) = a \cdot y + b \]

参数\( a \)为散粒噪声系数（与ISO增益相关），\( b \)为固定噪声方差。本案例通过多帧静态场景估计\( a \)与\( b \)。

实现代码

import numpy as np
import cv2
import glob
import json

def estimate_noise_params(image_paths, iso_label):
    """
    输入: 同一ISO下同一静态场景的多帧RAW图像(16bit, 单通道)
    输出: (a, b) 噪声模型参数
    """
    frames = []
    for p in image_paths:
        img = cv2.imread(p, cv2.IMREAD_UNCHANGED)
        if img is None:
            raise ValueError(f"无法读取图像: {p}")
        frames.append(img.astype(np.float64))
    
    frames = np.stack(frames, axis=0)
    mean_img = np.mean(frames, axis=0)
    
    # 分块估计: 将图像分为32x32块, 每块内像素近似均匀
    h, w = mean_img.shape
    bh, bw = 32, 32
    a_est, b_est = [], []
    
    for i in range(0, h - bh, bh):
        for j in range(0, w - bw, bw):
            block_mean = mean_img[i:i+bh, j:j+bw]
            block_var = np.var(frames[:, i:i+bh, j:j+bw], axis=0)
            
            # 只使用均值在有效范围内的块(避免过暗或过曝)
            valid = (block_mean > 100) & (block_mean < 60000)
            if valid.sum() < 100:
                continue
            
            x = block_mean[valid].ravel()
            y = block_var[valid].ravel()
            
            # 线性拟合: var = a * mean + b
            A = np.vstack([x, np.ones_like(x)]).T
            coef, _, _, _ = np.linalg.lstsq(A, y, rcond=None)
            a_est.append(coef[0])
            b_est.append(coef[1])
    
    if len(a_est) == 0:
        raise RuntimeError("没有足够的有效块用于参数估计")
    
    # 取中位数作为稳健估计
    a = float(np.median(a_est))
    b = float(np.median(b_est))
    
    return {'iso': iso_label, 'a': a, 'b': b}

def batch_estimate(config_file):
    """
    批量处理多个ISO的噪声参数
    config_file: JSON文件, 格式:
    {
        "ISO100": {"path": "./data/iso100/", "frames": 8},
        "ISO400": {"path": "./data/iso400/", "frames": 8}
    }
    """
    with open(config_file, 'r') as f:
        config = json.load(f)
    
    results = []
    for iso, info in config.items():
        pattern = f"{info['path']}*.tiff"
        paths = sorted(glob.glob(pattern))[:info['frames']]
        if len(paths) < 3:
            print(f"警告: ISO{iso} 有效帧数不足({len(paths)}), 跳过")
            continue
        params = estimate_noise_params(paths, iso)
        results.append(params)
        print(f"ISO{iso}: a={params['a']:.4f}, b={params['b']:.2f}")
    
    return results

if __name__ == "__main__":
    # 使用示例: 修改config.json指向实际数据路径
    results = batch_estimate("config.json")
    with open("noise_params.json", "w") as f:
        json.dump(results, f, indent=2)
    print("参数已保存至 noise_params.json")

数据采集要求

  1. 暗场数据（可选，用于单独估计b）：盖上镜头盖，拍摄8帧以上。
  2. 均匀光照数据：拍摄均匀白墙或使用积分球光源，确保画面无纹理、无渐变，至少8帧。
  3. RAW格式：使用dcraw或libraw转换为16bit单通道TIFF，或直接读取DNG的RAW通道。
  4. 静态场景：相机固定在三脚架上，关闭自动对焦，避免任何运动模糊。

运行方式

# 1. 准备数据目录结构
# data/iso100/0001.tiff, 0002.tiff, ...
# data/iso400/0001.tiff, ...

# 2. 创建config.json
# {
#   "100": {"path": "data/iso100/", "frames": 8},
#   "400": {"path": "data/iso400/", "frames": 8},
#   "800": {"path": "data/iso800/", "frames": 8}
# }

# 3. 运行估计
python estimate_noise.py

验证方法

通过条件：

  1. 程序正常输出每个ISO的a、b值，无报错。
  2. 参数合理性检查：a值应随ISO升高而近似线性增大（ISO翻倍，a约翻倍）；b值应基本恒定（与ISO无关）。
  3. 交叉验证：用估计的(a,b)对另一组同ISO图像计算预测噪声方差，与实际方差对比，相对误差应小于20%。
# 验证脚本片段
def verify_params(img_paths, a, b):
    frames = [cv2.imread(p, cv2.IMREAD_UNCHANGED).astype(np.float64) for p in img_paths]
    frames = np.stack(frames)
    mean_img = np.mean(frames, axis=0)
    var_img = np.var(frames, axis=0)
    pred_var = a * mean_img + b
    # 在有效像素范围内计算相对误差
    mask = mean_img > 200
    rel_err = np.abs(var_img[mask] - pred_var[mask]) / var_img[mask]
    return np.median(rel_err)

常见问题

  • 块内不均匀：若画面有轻微渐变，可减小块尺寸至16×16，或使用局部均值归一化。
  • 异常块：个别块可能因坏点或微振动导致方差异常，中位数估计可有效抵抗。
  • 黑电平偏移：若RAW未减去黑电平，需先减去黑电平值（通常为512或1024），否则b值会偏大。
← 上一章 📖 返回目录 下一章 →