2、图像噪声基础：噪声的定义、来源（传感器、ISO、暗光、压缩）、类型（高斯、泊松、椒盐、条纹）及数学模型
手机摄影去噪算法的第一步，不是急着调参数或套滤波，而是先回答一个根本问题：我们到底在对抗什么？ 噪声不是单一现象，而是多种物理过程叠加后的混合信号。它藏在传感器读出电路里、藏在暗光长曝光的统计涨落里、藏在JPEG压缩的量化误差里，甚至藏在ISP（图像信号处理器）的坏点校正逻辑里。只有把噪声拆解成可量化的数学模型，才能为后续的降噪算法（如BM3D、NLM、深度学习CNN）提供正确的输入假设。本章将系统梳理噪声的定义、四大来源、四种典型类型及其数学表达，并给出一个可落地的噪声评估案例。
上图给出了本章的完整知识框架：噪声从四个源头产生，经过传感器和ISP链路后，最终以四种可辨识的数学形态叠加在图像上。下面逐一展开。
2.1 噪声的核心定义与观测模型
核心原理：在数字图像处理语境下，噪声被定义为“图像采集或传输过程中，由非理想物理过程引入的、与真实场景内容无关的随机信号分量”。它叠加在理想信号上，导致像素值偏离真实光强。数学上，我们通常用一个加性-乘性混合模型来描述含噪图像：
I(x,y) = S(x,y) · M(x,y) + A(x,y)其中，S(x,y) 是理想无噪信号，M(x,y) 是乘性噪声分量（如增益波动、光照调制），A(x,y) 是加性噪声分量（如读出噪声、热噪声）。在手机摄影中，由于传感器尺寸小、像素密度高，M 和 A 往往同时存在，且与ISO、曝光时间、环境温度强相关。
判断方法：要区分噪声类型，最直接的手段是拍摄一张均匀灰卡（如18%中性灰），然后分析像素值的统计分布。若直方图呈对称钟形，以均值为中心，则大概率是高斯型加性噪声；若方差随亮度增加而增大，则存在泊松分量；若出现孤立的0或255像素点，则是椒盐噪声；若在固定列或行上出现亮暗条纹，则是条纹噪声（固定模式噪声FPN）。
2.2 噪声的四大来源深度拆解
来源一：传感器硬件（读出噪声与暗电流）。CMOS传感器在将光生电子转换为电压并量化的过程中，会产生读出噪声（Read Noise），主要来自像素复位时的热涨落（kTC噪声）、源极跟随器（SF）的1/f噪声以及ADC量化噪声。暗电流（Dark Current）则是即使无光照，硅基热激发产生的电子，其大小随温度指数上升（约每升高6°C翻倍）。暗电流在长曝光时表现为固定亮斑或渐变亮带。
来源二：ISO增益放大。ISO本质上是模拟或数字增益。当光线不足时，ISP会提高增益系数G，将微弱信号放大到可用的电平范围。但增益同时放大了噪声——信号和噪声都被乘以G，因此SNR并不会因提高ISO而改善。更糟的是，模拟增益电路本身会引入额外的热噪声，数字增益则可能放大ADC的量化误差。
来源三：暗光环境（光子散粒噪声）。光子的到达在时间和空间上服从泊松分布。在暗光下，单位时间到达像素的光子数λ很小，相对涨落（1/√λ）变得显著。例如，λ=100个光子时，噪声标准差为10，SNR=20dB；λ=10000时，标准差为100，SNR=40dB。这就是为什么夜景照片噪点特别明显——不是传感器变差了，而是光子统计涨落本身变大了。
来源四：压缩与传输。JPEG压缩采用8×8分块DCT变换和量化表，量化步长在低码率下较大，导致高频系数被粗暴归零，产生块效应和振铃噪声。此外，色度通道通常被4:2:0抽样，边缘处会出现彩色渗色。这类噪声与内容相关，且具有结构性，不能用简单的平滑滤波去除。
| 来源 | 物理机制 | 与信号相关性 | 典型表现 | 抑制手段 |
|---|---|---|---|---|
| 传感器读出 | kTC噪声、1/f噪声、ADC量化 | 信号无关（加性） | 暗部颗粒感 | 相关双采样(CDS)、多次采样平均 |
| ISO增益 | 模拟/数字放大器热噪声 | 信号相关（乘性） | 整体噪点放大 | 降低ISO、多帧HDR合成 |
| 暗光泊松 | 光子到达率低 | 信号相关（√S） | 亮度越高噪点越明显 | 延长曝光、多帧堆栈 |
| JPEG压缩 | 量化误差、块DCT | 内容相关（结构性） | 块边界、蚊式噪声 | 提高码率、去块滤波 |
2.3 四种噪声类型的数学模型与辨识特征
高斯噪声（Gaussian Noise）是最常见的加性噪声模型，其概率密度函数为：
p(n) = (1 / (σ√(2π))) · exp(-(n-μ)² / (2σ²))在图像处理中，通常假设μ=0，σ为噪声标准差。高斯噪声来源于读出电路、热噪声和放大器的随机涨落。它的特点是：每个像素独立受扰，噪声幅度与信号强度无关。在均匀区域，直方图呈对称钟形。
泊松噪声（Poisson Noise），又称散粒噪声，其模型为：
z ~ Poisson(λ)，其中 λ = S(x,y) · t · QEλ是期望光子数，t是曝光时间，QE是量子效率。泊松分布的方差等于均值λ，因此噪声标准差为√λ。这意味着噪声幅度随信号强度增大而增大，但SNR = λ/√λ = √λ，也随信号增大而改善。在暗光下，λ小，SNR低，噪声明显。
椒盐噪声（Salt-and-Pepper Noise）是脉冲型噪声，表现为随机像素被置为最大值（盐，255）或最小值（椒，0）。其模型为：
I_noisy(x,y) = 255 以概率 p/2；0 以概率 p/2；I(x,y) 以概率 1-pp为噪声密度。椒盐噪声通常由传感器坏点、ADC饱和或传输误码引起。中值滤波对其有奇效，因为中值能有效剔除极端值。
条纹噪声（Stripe Noise）属于固定模式噪声（FPN），表现为图像上周期性或固定位置的亮暗条纹。其数学模型为：
I_stripe(x,y) = I(x,y) + c(y) （列条纹）或 I(x,y) + r(x) （行条纹）其中c(y)是列偏移量，通常由列放大器增益失配或ADC偏置差异导致。条纹噪声在均匀暗场下最容易观察，表现为垂直或水平亮线。去条纹常用列均值校正或频域滤波（在傅里叶变换中沿条纹方向置零）。
2.4 实战案例：暗光夜景照片的噪声分离与评估
场景背景：某旗舰手机在夜景模式下拍摄城市灯光场景，用户反馈照片放大后“噪点像雪花一样多”，且画面有轻微竖条纹。我们作为算法工程师，需要定位噪声来源并给出降噪方案。
初始现象与目标：照片ISO为3200，曝光时间1/10秒，RAW格式。目标是将SNR从当前的22dB提升至至少30dB，同时保留灯光边缘的锐利度。
关键输入数据：
- 均匀暗部区域（如天空）像素均值μ=48，标准差σ=12.5，计算SNR = 20·log10(48/12.5) ≈ 11.7dB（远低于目标）。
- 亮部区域（灯光）均值μ=180，标准差σ=18，SNR ≈ 20dB。
- 在暗部区域做列均值统计，发现第120列、第340列均值比相邻列高约8个灰度级，确认存在列条纹。
- 直方图显示暗部呈右偏分布，而非对称高斯，提示存在泊松分量。
分析判断过程：首先，暗部SNR仅11.7dB，远低于可接受水平。其次，列条纹的存在说明传感器列放大器存在失配。直方图右偏说明泊松噪声不可忽略。综合判断：噪声 = 高斯读出噪声（约σ=8）+ 泊松散粒噪声（σ≈√48≈7）+ 列条纹（幅度8）。
实际操作步骤：
- 条纹校正：拍摄一张同ISO、同曝光时间的纯黑帧（镜头盖盖住），计算每列均值作为偏移量，从原图中减去。此步骤将条纹噪声从8降至1.5。
- 泊松-高斯联合去噪：使用方差稳定变换（VST，如Anscombe变换）将泊松-高斯混合噪声转换为近似纯高斯噪声，然后应用BM3D算法。变换公式：
z' = 2·√(z + 3/8)。 - 多帧堆栈：连续拍摄4帧同一场景，进行像素级对齐后取平均。由于泊松噪声的随机性，4帧平均可将σ降低一半（√4=2倍）。
- 边缘保护：在BM3D后，使用双边滤波对灯光边缘进行微调，防止光晕。
结果对比：处理后暗部SNR从11.7dB提升至28.4dB，亮部SNR从20dB提升至35.1dB。列条纹完全消除。主观评价中，噪点颗粒感明显减弱，灯光边缘保持清晰。
风险与代价：多帧堆栈增加了拍摄时间，手持拍摄时可能引入运动模糊；VST变换在极暗区域（像素值<10）会放大噪声，需设置阈值保护。此外，条纹校正依赖黑帧的准确性，若传感器温度变化导致暗电流漂移，校正会失效。
复盘经验：噪声处理必须“先分离，后治理”。如果一开始就盲目使用高斯滤波，条纹噪声会被保留并扩散。正确的顺序是：先去除结构性噪声（条纹、坏点），再处理随机噪声（泊松+高斯），最后做细节恢复。