📚 课程目录第1章噪声模型概述

1. 噪声模型概述：图像传感器噪声来源与ISP Pipeline中的位置

各位好，我是老周。做图像传感器这行十几年了，今天咱们聊聊噪声模型。说白了，噪声就是图像里那些不该出现的东西——暗处的颗粒、亮区的闪烁、固定位置的条纹。你想想看，一个完美的传感器应该只响应光子，但现实世界哪有那么理想？

我刚开始接触这行时，总觉得噪声就是“噪点”，后来才发现，噪声的种类远比想象中复杂。每个噪声源都有自己的脾气，处理方式也完全不同。

图像传感器的噪声，按来源可以分为两大类：时间随机噪声和空间固定噪声。时间随机噪声每帧都不一样，空间固定噪声则像烙印一样贴在传感器上。

下面这张图，是我自己总结的噪声分类体系，你一看就明白：

咱们一个一个说。每种噪声我都结合项目经验来讲，这样你理解得更深。

这是最根本的噪声。光子的到达是随机的，就像雨滴落在屋顶上——你永远无法精确预测下一秒有多少光子打到像素上。这种随机性就是散粒噪声。

关键特性：

我个人的经验： 有一次做低光照相机调优，团队一直纠结于读出噪声太大。后来我仔细一算，发现散粒噪声才是主导。你想想看，在1个电子信号时，散粒噪声就是1个电子，信噪比只有1。这时候再怎么压读出噪声也没用。所以低光照下，核心是增加进光量，而不是死磕读出噪声。

即使没有光，像素也会产生电子——这就是暗电流。温度越高，暗电流越大。我记得有个项目在夏天做户外监控相机，暗电流比实验室数据大了三倍多。

关键特性：

避坑指南： 我曾经在手机摄像头项目中，忽略了暗电流随温度的变化。结果手机拍夜景时，长曝光照片出现了明显的亮度不均匀。后来加了温度补偿校准，才解决问题。记住：暗电流校准不能只做一次，要随温度动态更新。

读出噪声是像素电荷转换成电压、再经过模拟前端放大、ADC量化过程中引入的噪声。它和信号无关，是传感器底噪的主要来源。

关键特性：

1/f噪声，也叫闪烁噪声。它的功率谱密度与频率成反比——频率越低，噪声越大。在图像传感器中，主要影响像素源跟随器和模拟读出电路。

嗯，这里要注意：1/f噪声在视频模式下更明显，因为低频成分会表现为帧间的缓慢漂移。我做过一个高速相机项目，帧率1000fps时1/f噪声几乎看不见，但降到30fps时，低频漂移就出来了。

FPN是空间噪声，每帧都一样。它分为两种：

小技巧： 判断FPN的方法很简单——拍一张全黑图，然后连续拍两张做差。差图里剩下的就是时间随机噪声，原图里固定不变的就是FPN。我经常用这个方法快速定位噪声来源。

噪声模型不是孤立存在的。在ISP Pipeline中，噪声处理通常放在最前面。为什么？因为后面的处理（去马赛克、锐化、色彩校正）都会放大噪声，所以必须在源头就把噪声控制好。

下面这张图展示了典型的ISP Pipeline中噪声处理的位置：

我直接说结论：没有准确的噪声模型，ISP调优就是盲人摸象。

举个例子。你做一个降噪算法，如果不知道当前场景下散粒噪声和读出噪声的比例，降噪强度就很难设。设小了，噪声去不干净；设大了，细节全没了。有了噪声模型，你就可以根据信号强度动态调整降噪参数——信号弱的地方多降噪，信号强的地方少降噪。

核心观点： 噪声模型是ISP Pipeline的“眼睛”。它告诉你每个像素的信噪比是多少，哪些区域需要特殊处理。我参与过的所有成功项目，都有一个共同点——噪声模型建得准。

咱们这一章把噪声的底子打好了。五种噪声各有各的脾气：

记住一句话：噪声模型不是理论游戏，它是ISP调优的基石。 后面每一章，我们都会回到这个基础上，一步步把图像质量做到极致。