图像噪声基础：噪声来源与噪声模型

做ISP算法，说白了就是跟噪声打交道。你想想看，传感器出来的原始数据，哪有一张是干净的？我刚开始接触这行时，总觉得降噪就是简单做个模糊，结果细节全没了，被老大骂了一顿。后来才明白——不懂噪声，就别谈降噪。

这一章，咱们就把噪声的底细摸清楚。从哪来、长啥样、怎么建模，一个一个说。

2.1 噪声从哪来？三大元凶

图像传感器里的噪声，主要来自三个地方。我习惯把它们叫做「三大元凶」：

噪声类型	物理来源	特性	我碰到的坑
光子噪声	光子到达的随机性	与信号强度成正比	暗光下反而更明显
读出噪声	电路读取过程引入	与信号无关，固定底噪	高ISO时被放大
暗电流	热激发产生的电子	与温度、曝光时间相关	长曝光时一片红

2.1.1 光子噪声（散粒噪声）

光本身就是离散的光子。到达每个像素的光子数量，服从泊松分布。这不是传感器的问题，是物理定律决定的。

我在项目中遇到过一台手机摄像头，白天成像还行，一到黄昏就满屏颗粒。一开始以为是传感器太差，后来一算——就是光子噪声。信号弱了，信噪比自然就低。

2.1.2 读出噪声

这个就好理解了。传感器把电荷转成电压、再转成数字信号，每一步电路都会引入噪声。读出噪声是加性噪声，跟信号大小没关系。

嗯，这里要注意：读出噪声在暗部特别扎眼。因为暗部信号本来就小，读出噪声一叠加，信噪比直接崩了。

2.1.3 暗电流

温度每升高6-8°C，暗电流翻一倍。我做过一个安防摄像头项目，夏天户外60°C，长曝光30秒，出来的图跟火烧云似的——全是暗电流噪声。

暗电流的分布也不是均匀的。有些像素天生漏电大，就成了坏点。所以暗电流校正（DCNU）是ISP里必不可少的一步。

2.2 噪声模型：给噪声「画像」

知道了噪声来源，还得能用数学描述它。这样算法才能对症下药。常用的噪声模型有三种：

2.2.1 高斯噪声模型

高斯噪声是最常用的简化模型。为什么？因为中心极限定理告诉我们，很多独立随机因素叠加起来，就趋近高斯分布。

数学上很简单：

# 高斯噪声生成（Python）
import numpy as np

def add_gaussian_noise(image, mean=0, sigma=25):
    noise = np.random.normal(mean, sigma, image.shape)
    noisy = image + noise
    return np.clip(noisy, 0, 255).astype(np.uint8)

我一般用sigma=25来模拟中等噪声水平。但注意——真实传感器噪声很少是纯高斯的。这只是个近似。

2.2.2 泊松噪声模型

泊松噪声才是光子噪声的「真身」。它的特点是：噪声方差等于信号强度。

亮的地方噪声大，但信号也大，信噪比反而高。暗的地方噪声小，但信号更小，信噪比就惨了。

# 泊松噪声模拟
def add_poisson_noise(image):
    # 假设图像值代表光子计数
    noisy = np.random.poisson(image)
    return np.clip(noisy, 0, 255).astype(np.uint8)

2.2.3 椒盐噪声模型

椒盐噪声就是随机出现的纯白或纯黑像素。传感器坏点、传输误码都会产生这种噪声。

处理椒盐噪声，中值滤波是经典方案。但要注意——别把边缘也滤没了。

# 椒盐噪声生成
def add_salt_pepper_noise(image, prob=0.02):
    output = image.copy()
    # 椒噪声（黑点）
    mask_pepper = np.random.random(image.shape) < prob/2
    output[mask_pepper] = 0
    # 盐噪声（白点）
    mask_salt = np.random.random(image.shape) < prob/2
    output[mask_salt] = 255
    return output

2.3 实际ISP中的噪声模型选择

真实场景下，噪声是混合的。我常用的策略是：

1. 亮部区域：泊松噪声为主，用方差稳定变换处理
2. 暗部区域：读出噪声占主导，用高斯模型处理
3. 极端情况：加上椒盐模型处理坏点

场景	主要噪声类型	推荐处理方式
白天户外	光子噪声（泊松）	轻量降噪，保留细节
室内灯光	光子噪声 + 读出噪声	中等强度降噪
暗光/夜景	读出噪声为主	强降噪 + 边缘保护
长曝光	暗电流 + 读出噪声	先做暗电流校正