📚 课程目录第2章低光照图像特性分析

2、低光照图像特性分析：噪声模型、信噪比与直方图特征

做低光照增强，第一步不是调算法，而是搞清楚——你到底在和什么样的噪声打交道。我见过不少同学，上来就套个直方图均衡，结果噪声放大了好几倍，图像反而更没法看。说白了，不了解敌人，怎么打仗？

这一节，我们就来拆解低光照图像的三个核心特性：噪声的来源与模型、信噪比和动态范围的意义、以及直方图能告诉我们什么。

低光照下，噪声主要来自两个地方：传感器自身的电子热运动，以及光子到达的随机性。前者是高斯噪声，后者是泊松噪声。

高斯噪声在图像处理里太常见了。它的特点是：每个像素的噪声值独立同分布，服从均值为0、方差为σ²的正态分布。

// 高斯噪声的概率密度函数
P(x) = (1 / (σ * sqrt(2π))) * exp(-x² / (2σ²))

在低光照图像中，高斯噪声主要来自读出电路和暗电流。它和信号强度无关——哪怕你盖上镜头盖，拍一张全黑图，依然能看到这种颗粒感。

我的经验： 在YUV域处理时，高斯噪声对Y通道（亮度）和UV通道（色度）的影响不同。Y通道的噪声表现为明暗闪烁，UV通道则表现为彩色噪点。我习惯先分离通道，再分别做降噪。

泊松噪声就更有意思了。它来源于光子到达的量子特性——光子在单位时间内到达传感器的数量服从泊松分布。信号越弱，这种随机性越明显。

// 泊松分布
P(k) = (λ^k * e^(-λ)) / k!

其中 λ 是平均光子数，k 是实际到达的光子数

泊松噪声有个关键特性：方差等于均值。也就是说，信号越强的地方，噪声值越大；但信号越弱的地方，信噪比越低。低光照下，泊松噪声是主要的限制因素。

避坑指南： 我曾经在做一个夜间监控项目时，直接用高斯滤波器去噪，结果暗部细节全糊了。后来才意识到，低光照下的噪声是信号相关的泊松噪声，不能用固定强度的滤波器。正确的做法是先做方差稳定变换（如Anscombe变换），把泊松噪声转为近似高斯噪声，再处理。

这两个指标是衡量低光照图像质量的硬通货。我面试算法工程师时，一定会问这两个概念——因为它们是所有增强算法的起点。

信噪比就是信号功率与噪声功率的比值，通常用分贝（dB）表示：

SNR = 10 * log10( P_signal / P_noise )

在低光照下，SNR会急剧下降。举个例子：

  关键认知： 低光照增强的本质，就是在不破坏信号的前提下，尽可能提升SNR。任何增强操作如果放大了噪声，那就是在降低SNR——得不偿失。

动态范围是传感器能同时记录的最亮和最暗区域的比值。人眼的动态范围大约为100 dB，而普通CMOS传感器只有60-70 dB。低光照下，动态范围会被进一步压缩——暗部沉入噪声，亮部容易过曝。

我建议你在做增强前，先计算一下图像的有效动态范围：

// 有效动态范围（以8位图像为例）
有效动态范围 = 20 * log10( (最大信号值 - 暗电流) / 噪声标准差 )

如果有效动态范围小于40 dB，说明图像质量很差，直接做增强效果有限。这时候需要先做多帧融合或HDR重建。

直方图是观察低光照图像最直观的工具。我拿到一张低光照图，第一件事就是看它的Y通道直方图。

为什么会这样？你想想看，低光照下场景的亮度分布本来就窄，再加上噪声的随机扰动，直方图自然就变成了这种「左偏+毛刺」的形状。

我个人习惯按以下步骤分析：

小技巧： 我经常用直方图的累积分布函数（CDF）来判断增强效果。增强后的CDF应该接近一条45度直线——这意味着像素分布均匀，对比度最大化。

下面这张图总结了低光照图像特性分析的核心逻辑：

这一节我们拆解了低光照图像的三个核心特性：

嗯，这些概念听起来可能有点抽象，但后面几节我们会反复用到它们。尤其是当你开始写YUV域的增强代码时，你会发现——理解了噪声，你就理解了低光照图像的一半。