1. 课程导论：RAW域与YUV域降噪概述

各位同学好，欢迎来到《RAW域与YUV域降噪算法实战指南》。我是你们这门课的主讲，一个在图像处理领域摸爬滚打了十几年的老兵。说实话，降噪这个话题，看起来简单，做起来坑特别多。我见过太多人拿着开源代码跑一跑，觉得效果不错，一上硬件平台就崩了。

这门课，我想带大家从底层原理走到工程落地。我们不只讲理论，更讲实战中那些书本上不会写的细节。嗯，先来看看第一章我们要聊什么。

1.1 为什么降噪要分RAW域和YUV域？

你可能会问：降噪不就是把噪声去掉吗？为什么还要分两个域？

我刚开始做ISP的时候也有这个疑问。后来在调试一个手机摄像头模组时，发现同样的降噪算法，放在RAW域和YUV域效果天差地别。说白了，这两个域的噪声特性完全不同。

• RAW域：传感器直接输出的原始数据，线性响应，噪声与信号强度相关。这里做降噪，能保留更多细节，但计算量大。
• YUV域：经过白平衡、去马赛克、Gamma校正等处理后的数据。噪声已经被非线性变换扭曲了，降噪难度更大，但更接近人眼感知。

我个人习惯把RAW域降噪叫做“源头治理”，YUV域降噪叫做“末端清理”。两者配合好了，才能出好效果。

1.2 课程目标与学习路径

这门课的目标很明确：让你能独立设计并实现一套可落地的降噪方案。不是纸上谈兵，是真正能跑在嵌入式平台上的那种。

我把它拆成三个层次：

层次	目标	对应章节
基础层	理解噪声模型、降噪原理、ISP pipeline	第1-5章
算法层	掌握BM3D、NLM、小波降噪等经典算法	第6-15章
工程层	优化速度、内存、功耗，适配硬件平台	第16-30章

学习路径我建议这样走：先通读一遍基础层，理解噪声从哪来到哪去。然后算法层要动手跑代码，别只看。工程层是重头戏，我会分享很多踩坑经验。

1.3 图像噪声模型与分类

降噪的第一步，是搞清楚你要降的是什么噪声。不是所有噪声都长一个样。

1.3.1 噪声从哪来？

图像传感器是个物理器件，有光就有电，有电就有热，有热就有噪声。主要来源有三个：

• 光子散粒噪声：光子到达的随机性，服从泊松分布。信号越强，噪声越大。
• 读出噪声：传感器读出电路引入的噪声，与信号无关，近似高斯分布。
• 暗电流噪声：热激发产生的电子，温度越高越严重。

在RAW域，这些噪声是叠加在一起的。我习惯用一个简化模型来描述：

I_observed = I_true + sqrt(I_true) * N_shot + N_read + N_dark

其中N_shot是散粒噪声，N_read是读出噪声，N_dark是暗电流噪声。这个模型虽然简单，但足够指导大部分工程实践。

1.3.2 噪声分类

从信号处理的角度，噪声可以分为两类：

类型	特点	常见场景
高斯噪声	幅度服从正态分布，功率谱平坦	传感器读出噪声、热噪声
泊松噪声	与信号强度相关，低光下更明显	光子散粒噪声
椒盐噪声	随机出现黑白像素点	坏像素、传输错误
条纹噪声	行或列方向上的固定模式	CMOS传感器列噪声

实际图像中，往往是多种噪声混合在一起。比如夜景照片，既有散粒噪声又有读出噪声，还可能夹杂坏点。这时候单一算法就不够用了。

1.4 本章知识体系

下面这张图，是我自己梳理的本章知识结构。它把噪声来源、分类、降噪域的关系串在了一起。你保存下来，后面学算法时经常回来看看，能帮你理清思路。

这张图把本章的核心逻辑串起来了。你仔细看：噪声来源决定了噪声类型，噪声类型又决定了你应该在哪个域做降噪。这个链条，是后面所有算法的基础。

1.5 本章小结

第一章我们聊了三个核心问题：

1. 为什么降噪要分RAW域和YUV域？因为噪声特性不同，处理策略也不同。
2. 课程目标是什么？让你能独立设计并落地一套降噪方案。
3. 噪声模型怎么建？从物理来源出发，理解高斯、泊松、椒盐、条纹噪声的区别。

嗯，内容不多，但都是基础。后面每一章都会用到这些概念。你先把噪声模型吃透，后面学算法时就不会晕。