📚 课程目录第4章 RAW域降噪基础

4、RAW域降噪基础：从Bayer到噪声特性

各位同学，欢迎来到RAW域降噪的第一课。说实话，很多做ISP的工程师在RAW域待的时间并不长，因为大部分算法都在YUV域或者RGB域处理。但我个人的经验是——降噪这件事，越早做效果越好。RAW域就是最早的战场。

这一章我们不讲复杂的滤波公式，先把RAW域的底子打牢。你只有搞懂了Bayer Pattern、黑电平校正、LSC这些前置模块对噪声的影响，才能真正理解为什么RAW域降噪这么特殊。

4.1 RAW图格式：Bayer Pattern

传感器输出的原始数据，说白了就是一个马赛克图像。每个像素只记录一种颜色——R、G或者B。这就是经典的Bayer Pattern。

最常见的格式是RGGB，也就是左上角是R，然后G、G、B交替排列。为什么G有两个？因为人眼对绿色最敏感，传感器就多采了一半的绿色信息。

Bayer类型	排列方式	常见场景
RGGB	第一行 R G R G... 第二行 G B G B...	最主流，高通、索尼传感器
BGGR	第一行 B G B G... 第二行 G R G R...	部分三星传感器
GRBG	第一行 G R G R... 第二行 B G B G...	少数OmniVision方案

我在项目里遇到过最坑的事——拿到一个RAW图，默认当成RGGB去解，结果颜色全乱套了。后来才意识到，那个传感器用的是BGGR。所以第一件事：确认Bayer顺序，别想当然。

小技巧： 拿到陌生RAW图，先看绿色通道的均值。如果G通道均值明显高于R和B，说明Bayer顺序大概率是对的。如果G通道反而偏低，那就要怀疑顺序了。

4.2 黑电平校正（BLC）对噪声的影响

黑电平校正，英文叫Black Level Correction。为什么要做这个？因为传感器在完全无光的情况下，输出的也不是0，而是一个偏置值。这个偏置就是黑电平。

BLC的公式很简单：

I_corrected = I_raw - black_level

但这里有个坑——黑电平本身也是有噪声的。你减去一个带噪声的偏置，相当于把噪声也带进来了。

我记得有一次调试夜景模式，发现暗部噪声特别大。排查了半天，最后发现是BLC的black_level估计不准，导致暗部被过度拉伸，噪声放大了好几倍。

避坑指南： 我曾经在量产项目中遇到过——BLC的black_level是固定值，但不同增益下黑电平其实会漂移。结果低增益没问题，高增益下暗部噪声爆炸。后来改成动态BLC，根据增益查表补偿，问题才解决。

BLC对噪声的影响主要体现在两点：

偏置误差放大噪声：black_level偏大，暗部被抬升，噪声方差跟着变大
截断效应：减去黑电平后，小于0的值被截成0，丢失了暗部细节

4.3 LSC对噪声的影响

Lens Shading Correction，镜头阴影校正。说白了就是镜头边缘进光量少，图像四周偏暗，需要把四周像素乘上一个增益系数来补偿。

LSC的公式：

I_corrected(x,y) = I_raw(x,y) * gain(x,y)

问题来了——增益是乘性的。边缘区域的增益可能达到2倍甚至3倍。噪声也跟着被放大了。

你想想看，中心区域增益是1.0，噪声不变。边缘区域增益是2.0，噪声方差直接变成4倍（因为噪声方差与增益平方成正比）。这就是为什么很多手机拍出来的照片，四周噪点明显比中心多。

区域	LSC增益	噪声放大倍数	实际影响
中心	1.0x	1x	噪声正常
中间环	1.5x	2.25x	噪声开始明显
边缘	2.0x	4x	噪声爆炸

  关键认知： RAW域降噪必须考虑LSC增益的空间变化。你不能在全图用同一个降噪强度，否则边缘要么过平滑，要么欠平滑。我习惯的做法是——把LSC增益图作为降噪强度的调制因子，增益高的区域降噪强度也相应提高。

4.4 RAW域噪声特性分析

好了，前面铺垫了这么多，现在进入核心——RAW域的噪声到底长什么样？

简单说，RAW域的噪声是信号相关的。什么意思？就是亮的地方噪声大，暗的地方噪声小。这跟YUV域不一样，YUV域经过gamma校正后，噪声特性已经被扭曲了。

RAW域噪声模型通常用泊松-高斯混合模型来描述：

I_noisy = I_clean + n_shot(I_clean) + n_read

其中：
n_shot ~ Poisson(λ = I_clean)  → 散粒噪声，与信号相关
n_read ~ Gaussian(0, σ_read)   → 读出噪声，与信号无关

散粒噪声是光子计数的统计特性决定的。光子到达传感器是随机的，服从泊松分布。信号越强，光子数越多，噪声方差也越大。但注意——信噪比是随着信号增强而提高的，因为SNR = I / sqrt(I) = sqrt(I)。

读出噪声则是传感器电路引入的，跟信号大小没关系。在暗部，读出噪声占主导；在亮部，散粒噪声占主导。

工程经验： 我一般用两个参数来标定传感器的噪声模型——σ_read（读出噪声标准差）和K（散粒噪声系数）。K值通常在0.5~1.0之间，单位是e-/DN。有了这两个参数，你就可以在RAW域做精确的噪声估计了。

还有一个容易被忽略的点——Bayer通道的噪声特性不同。G通道的量子效率通常比R和B高，所以G通道的散粒噪声系数K会小一些。这意味着G通道的信噪比天生就比R/B好。降噪时，R/B通道需要更强的处理。

下面这张图总结了RAW域噪声的完整链路：

4.5 噪声参数标定：工程落地第一步

理论说完了，来点实际的。你在项目里怎么拿到噪声参数？

我常用的方法是——拍灰卡。具体步骤：

用均匀光源照射灰卡，拍多张RAW图
取多帧的均值作为clean信号
计算每帧与均值的差值，得到噪声残差
对不同亮度区域统计噪声方差
拟合方差-信号曲线，得到σ_read和K

# 伪代码示例：噪声参数标定
def calibrate_noise(raw_images):
    # raw_images: list of RAW frames
    mean_img = np.mean(raw_images, axis=0)
    residual = raw_images - mean_img
    
    # 按信号强度分bin
    bins = [0, 256, 512, 1024, 2048, 4096]
    noise_var = []
    signal_level = []
    
    for i in range(len(bins)-1):
        mask = (mean_img >= bins[i]) & (mean_img < bins[i+1])
        noise_var.append(np.var(residual[mask]))
        signal_level.append((bins[i] + bins[i+1]) / 2)
    
    # 拟合: noise_var = K * signal + σ_read^2
    # 用最小二乘法
    K, sigma_read_sq = np.polyfit(signal_level, noise_var, 1)
    return K, np.sqrt(sigma_read_sq)

注意： 标定时一定要关掉所有ISP处理——BLC、LSC、去噪、gamma全部bypass。否则你标定出来的噪声参数是假的，后面降噪算法会出问题。我曾经吃过这个亏，标定完发现噪声模型跟实际对不上，排查了两天才发现是LSC没关。

好了，这一章的内容就是这些。RAW域的噪声特性，说白了就是三个关键词：信号相关、通道差异、空间非均匀。搞懂这三点，你后面设计降噪算法就有了方向。