3. 噪声模型与特性

做图像降噪这么多年，我最大的体会是：不懂噪声，就别谈降噪。你想想看，连对手长什么样都不知道，怎么打赢它？

这一章，我们就来把ISP里最常见的几种噪声扒个底朝天。我会结合自己踩过的坑，告诉你它们在YUV域到底怎么表现。

3.1 高斯噪声：最基础的假设

高斯噪声，说白了就是每个像素上叠加一个独立同分布的高斯随机量。数学上很简单：

n ~ N(0, σ²)

但实际传感器里，纯高斯噪声几乎不存在。它更多是我们建模时的一个简化假设。

我在项目中遇到过一件事：有个算法团队用纯高斯模型训练了一个降噪网络，结果在真实传感器数据上完全崩了。为什么？因为真实噪声根本不是高斯分布。

3.2 泊松噪声与散粒噪声：光子计数的本质

光打到传感器上，本质是光子计数过程。这个过程的随机性，就是泊松噪声。

泊松分布有个重要性质：均值等于方差。也就是说，信号越强，噪声也越大。

var(n) = μ   (μ为光子数均值)

在ISP里，我们通常把泊松噪声近似为信号相关的加性噪声。这个近似在低光下会出问题——我吃过这个亏。

3.3 读出噪声：电路层面的“杂质”

读出噪声是传感器读出电路引入的。它跟信号强度无关，但跟读出速度、温度、增益都有关系。

噪声类型	来源	与信号关系	典型值
复位噪声	像素复位开关	无关	50-100 e⁻
1/f噪声	晶体管沟道	低频相关	随频率下降
ADC量化噪声	模数转换	均匀分布	±0.5 LSB

我曾经调试过一个项目，暗部噪声总是降不下去。查了三天，发现是读出电路的温度补偿没做好。温度每升高10°C，读出噪声翻倍——这个教训太深刻了。

3.4 噪声在YUV域的表现差异

好了，前面都是铺垫。现在说重点：噪声进了YUV域，会变成什么样？

从RAW域到YUV域，经过了去马赛克、白平衡、颜色校正、Gamma等一系列操作。噪声在这个过程中被非线性地扭曲了。

3.4.1 Y通道：亮度噪声

Y通道的噪声，主要来自RAW域的绿色通道（因为绿色像素占一半）。经过去马赛克后，Y噪声呈现空间相关性——相邻像素的噪声不再独立。

• 低频区域：噪声表现为颗粒感
• 高频边缘：噪声被边缘增强放大
• 暗部：Gamma拉伸后噪声被放大

3.4.2 UV通道：色度噪声

UV通道的噪声，表现跟Y完全不同。因为色度通道经过了颜色校正矩阵（CCM），噪声会在色度空间里被拉伸和旋转。

我举个例子：

// 简化CCM矩阵
[U']   [1.2  -0.3] [U]
[V'] = [-0.4  1.1] [V]

// 噪声协方差变换
Σ' = CCM · Σ · CCM^T

结果就是：原本各向同性的噪声，在UV域变成了椭圆分布。这就是为什么有些降噪算法在UV域做各向同性滤波效果很差——方向搞错了。

3.5 噪声模型总结：一张图看懂

下面这张图，是我自己总结的噪声在ISP Pipeline中的演变路径：

3.6 实战中的噪声建模建议

说了这么多理论，最后给点实在的。我在实际项目中，一般这样建模：

1. RAW域：用泊松-高斯混合模型（P-G模型）
2. YUV域：用信号相关的各向异性高斯模型
3. UV通道：额外考虑CCM带来的协方差变换