1. 夜景成像的物理基础

做夜景算法，第一件事不是调参数，而是理解光是怎么变成数字信号的。说白了，你得知道噪声从哪来，才能在RAW域把它按住。我刚开始接触这个方向时，也踩过不少坑，今天把这些经验拆开来讲。

1.1 光子噪声模型

光是一种粒子流。每个光子打到传感器上，就是一个随机事件。这个随机性，就是光子噪声的根源。

光子噪声服从泊松分布。什么意思？

• 信号越强，光子数越多，噪声值越大
• 但信噪比（SNR）会随信号增强而提高
• 夜景下信号弱，光子噪声就成了主要限制因素

举个例子。一个像素收到100个电子，噪声就是10个电子，SNR=10。如果收到10000个电子，噪声是100个电子，但SNR=100。夜景下像素可能只收到几个电子，SNR低得可怜。

我在项目中遇到过一个问题：用长曝光拍夜景，暗部出现奇怪的颗粒感。一开始以为是传感器坏了，后来一算，就是光子噪声在作怪。曝光时间翻倍，信号翻倍，噪声只增加√2倍，SNR提升了√2倍。这就是为什么夜景需要长曝光或大光圈。

1.2 暗电流与热噪声

即使完全没光，传感器也会产生电子。这就是暗电流。温度越高，暗电流越大。

噪声类型	来源	与温度关系	与曝光时间关系
光子噪声	光子随机到达	无关	√(曝光时间)
暗电流噪声	热激发电子	每7°C翻倍	线性增长
读出噪声	电路读取过程	弱相关	固定值

暗电流噪声也服从泊松分布，但它的均值随温度和时间变化。我建议你在做夜景算法时，一定要考虑温度补偿。我曾经在夏天户外测试，手机摄像头烫得厉害，暗部全是热噪点。后来加了温度查表校正，效果立竿见影。

1.3 RAW域信号特性分析

RAW域是算法的起点。理解它的特性，比在YUV域瞎调重要得多。

1.3.1 RAW数据的线性特性

RAW数据是线性的。像素值正比于接收到的光子数。这一点很关键。

• 线性意味着噪声模型可以直接用
• 线性意味着增益调整就是简单的乘法
• 线性意味着暗电流校正就是减法

你想想看，如果在YUV域做降噪，噪声已经被Gamma曲线扭曲了，不再是简单的泊松分布。这就是为什么我坚持在RAW域做降噪——模型更准，效果更好。

1.3.2 RAW域的噪声分布

RAW域的噪声不是均匀的。暗区噪声大，亮区噪声小（相对信号而言）。

1.3.3 黑电平与暗电流校正

RAW数据有一个黑电平偏移。这个偏移必须准确扣除，否则暗部颜色会偏。

// 黑电平校正示例
uint16_t black_level = 64;  // 10-bit RAW常见值
uint16_t corrected_pixel = raw_pixel - black_level;

// 暗电流校正（需要温度补偿）
float temp_coeff = lookup_temp_coeff(sensor_temp);
uint16_t dark_current = estimate_dark_current(exposure_time, temp_coeff);
uint16_t final_pixel = corrected_pixel - dark_current;

嗯，这里要注意：黑电平不是固定值。不同增益、不同温度下，黑电平会漂移。我建议你用传感器厂商提供的校准表，或者自己做一个动态黑电平估计。

1.4 知识体系总览

下面这张图把本章的核心逻辑串起来了。你可以把它当作夜景算法的起点地图。

1.5 实战要点总结

做夜景算法，我建议你记住这几条：

1. 噪声模型要选对。光子噪声用泊松，读出噪声用高斯，别混为一谈。
2. 温度是暗电流的命门。不做温度补偿，夜景算法就是空中楼阁。
3. RAW域是降噪的最佳战场。线性数据让模型更简单、更准确。
4. 黑电平校正要动态。固定值校正会留下系统性偏差。