3. 传感器噪声模型：光子散粒噪声、读出噪声、固定模式噪声(FPN)、暗电流
聊RAW域降噪，绕不开传感器噪声模型。说白了，你得先知道噪声从哪来、长什么样，才能对症下药。我刚开始接触ISP pipeline时，总觉得把噪声当成高斯白噪声处理就完事了。结果呢？降噪一强，细节糊成一片；降噪一弱，暗部全是彩点。后来才明白——传感器噪声是多种物理过程的叠加，每种噪声都有自己的统计特性和频域分布。
这一节，我们拆开来看四个核心噪声源：光子散粒噪声、读出噪声、固定模式噪声（FPN）和暗电流。嗯，它们共同构成了你拍到的每一张RAW图里的噪声基底。
3.1 光子散粒噪声（Shot Noise）
这是最根本的噪声，物理上躲不开。光本质上是一份一份的光子，到达传感器的过程服从泊松分布。你想想看，即使用最理想的光源、最完美的传感器，光子到达的时间和数量也是随机的。
散粒噪声的方差等于信号均值：
σ²_shot = μ_photo这意味着什么？信号越强，散粒噪声的值越大。但信噪比（SNR）会随信号增强而提高——因为SNR = μ / √μ = √μ。所以暗部区域的散粒噪声问题远比亮部严重。
关键特性：
- 与信号相关，信号越强噪声越大
- 服从泊松分布，非高斯
- 在空间上不相关，属于白噪声
- 在暗部区域（低光子数）影响最显著
我在项目中遇到过一个问题：用传统高斯降噪算法处理暗光RAW图，结果暗部出现奇怪的条纹。后来排查发现，散粒噪声在低信号区呈明显的泊松分布，高斯假设失效了。从那以后，我习惯在降噪前先做方差稳定化变换（如Anscombe变换），把泊松噪声近似转为高斯噪声再处理。
3.2 读出噪声（Read Noise）
读出噪声是传感器将电荷转换为电压、再经过ADC量化过程中引入的噪声。它和信号无关——哪怕你把镜头盖盖上，读出噪声依然存在。
读出噪声通常包含几个分量：
| 分量 | 来源 | 特性 |
|---|---|---|
| 复位噪声（kTC噪声） | 像素复位开关的热噪声 | 与电容和温度相关 |
| 源跟随器噪声 | 像素内放大器的热噪声和1/f噪声 | 低频成分明显 |
| ADC量化噪声 | 模数转换的量化误差 | 均匀分布，与量化位数相关 |
| 列放大器噪声 | 列并行读出的放大器差异 | 表现为列方向条纹 |
读出噪声的典型值在1-10 e⁻（电子数）之间，高端科学级传感器可以做到<1 e⁻。我建议你在评估传感器性能时，重点关注读出噪声的均方根值——它直接决定了传感器的动态范围下限。
避坑指南：我曾经在调试一款手机传感器时，发现暗部出现周期性横条纹。查了半天，结果是列读出电路的时序抖动导致的。解决方法是做列相关双采样（CDS）——在像素复位后和读出前各采样一次，相减消除固定偏置和低频噪声。
3.3 固定模式噪声（FPN）
FPN是传感器阵列中每个像素的响应不一致性导致的。它不随时间变化，但随空间位置变化——说白了就是每个像素有自己的"小脾气"。
FPN分为两类：
- 像素FPN（Pixel FPN）：每个像素的暗电平偏移和增益差异，表现为固定图案
- 列FPN（Column FPN）：列读出电路的偏置差异，表现为垂直条纹
FPN的数学模型很简单：
I_out(x,y) = G(x,y) · I_in(x,y) + O(x,y)其中G(x,y)是增益非均匀性，O(x,y)是暗电平偏移。这两个参数在传感器出厂时就基本固定了。
怎么处理FPN？我个人的经验是两步走：
- 暗场校正：盖上镜头盖拍一张全黑图，统计每个像素的暗电平偏移O(x,y)
- 亮场校正：拍一张均匀光照的灰卡，计算每个像素的增益校正系数G(x,y)
注意：FPN会随温度和曝光时间漂移。特别是温度升高时，暗电平偏移会明显增大。我建议在量产标定时，至少采集3个温度点（如-10°C、25°C、60°C）的FPN数据，做温度插值补偿。
3.4 暗电流（Dark Current）
暗电流是传感器在没有光照时，由于热激发产生的电子-空穴对。它和温度的关系非常密切——温度每升高6-8°C，暗电流翻倍。
暗电流的组成：
| 成分 | 来源 | 温度依赖性 |
|---|---|---|
| 扩散暗电流 | 耗尽区外热激发载流子扩散 | ∝ T² · exp(-Eg/kT) |
| 耗尽区暗电流 | 耗尽区内热激发 | ∝ T¹·⁵ · exp(-Eg/2kT) |
| 表面暗电流 | Si-SiO₂界面缺陷 | ∝ T · exp(-Eg/2kT) |
暗电流的典型值在室温下约为10-100 pA/cm²，长曝光（如天文摄影）时暗电流会积累成明显的亮度偏移和固定图案。
处理暗电流，我常用的方法：
- 暗帧减法：拍摄与主图相同曝光时间和温度的暗帧，逐像素相减
- 暗电流建模：建立温度-曝光时间-暗电流的映射模型，实时补偿
- 硬件制冷：科学级相机常用TEC制冷到-20°C以下，暗电流可降低几个数量级
实战经验：有一次做安防相机的低照度增强，发现长曝光（2秒以上）时画面出现明显的"热像素"——个别像素异常亮。排查发现是暗电流不均匀导致的。解决方案是：先做暗帧减法去除整体暗电流，再用中值滤波检测并替换热像素。嗯，效果立竿见影。
3.5 噪声模型总览
把上面四种噪声综合起来，一个完整的传感器噪声模型可以写成：
I_observed = G · (I_true + N_shot + N_dark) + N_read + N_FPN其中：
- N_shot ~ Poisson(μ_photo) —— 散粒噪声
- N_dark ~ Poisson(μ_dark) —— 暗电流噪声
- N_read ~ N(0, σ²_read) —— 读出噪声（近似高斯）
- N_FPN —— 固定模式噪声（空间相关）
- G —— 传感器增益（ISO相关）
这个模型是后续所有降噪算法的基础。你想想看，如果不区分噪声类型，一股脑用同一个滤波器处理，结果必然是顾此失彼。
3.6 噪声参数标定
理论模型有了，怎么拿到实际参数？我分享一套我自己常用的标定流程：
- 暗场采集：盖上镜头盖，在不同ISO和曝光时间下拍10-20张暗帧
- 亮场采集：拍均匀灰卡（18%灰），同样覆盖不同ISO
- 光子转移曲线（PTC）：计算亮场的均值-方差关系，拟合出系统增益K和读出噪声σ_read
- FPN提取：对暗帧取平均，得到固定偏移O(x,y)；对亮帧做归一化，得到增益非均匀性G(x,y)
- 暗电流建模：在不同温度下采集暗帧，拟合暗电流-温度曲线
核心公式：光子转移曲线（Photon Transfer Curve）
σ²_total = K · μ_signal + σ²_read其中K是系统增益（e⁻/DN），μ_signal是信号均值（DN），σ²_read是读出噪声方差（DN²）。通过线性拟合，斜率的倒数就是增益K，截距就是读出噪声方差。
嗯，这套流程我几乎在每个项目中都会跑一遍。不同传感器、不同ISP参数下的噪声特性差异很大，没有标定就没有针对性的降噪。