3、YUV域噪声分析：亮度噪声与色度噪声特性、噪声对边缘的影响、高通平台噪声模型

做ISP的人都知道一句话：不懂噪声，就别谈画质。YUV域的噪声分析，说白了就是搞清楚两件事——噪声长什么样，以及它怎么毁掉你的边缘。

我在高通平台上调了七八年的3A和降噪模块，踩过的坑比走过的路还多。今天咱们就把YUV域的噪声彻底扒开看看。

3.1 亮度噪声与色度噪声：一对性格迥异的兄弟

YUV空间里，Y通道管亮度，UV通道管颜色。噪声在这两个通道上的表现完全不同。

特性	亮度噪声 (Y)	色度噪声 (U/V)
视觉敏感度	人眼非常敏感	人眼相对不敏感
频率分布	宽频带，含高频细节	集中在低频
对边缘影响	直接破坏锐度	产生彩色伪影
典型形态	颗粒感、闪烁	色块、彩色噪点
降噪难度	容易损失细节	容易产生色偏

亮度噪声，说白了就是画面上的颗粒感。你在暗光下拍一张纯灰卡，放大看那些密密麻麻的亮暗斑点，就是Y通道噪声。我习惯把它分成两类：

• 光子散粒噪声：物理极限，跟光照强度的平方根成正比。光越暗，噪声越明显。
• 读出噪声：传感器电路引入的，跟增益（ISO）强相关。

色度噪声就更有意思了。它通常表现为红绿或蓝紫的彩色斑点。为什么是红绿？因为Bayer阵列的CFA排列决定了G通道采样率是R和B的两倍，插值后U/V通道的噪声相关性变差。

3.2 噪声对边缘的影响：为什么锐化前必须先降噪

这个问题我当年吃过亏。有一次调一个夜景项目的边缘增强，锐化强度拉上去之后，画面边缘确实清晰了，但噪声也被放大了——边缘周围出现了一圈一圈的振铃，客户直接打回。

为什么会这样？

边缘在频域上属于高频成分，噪声同样也是高频。锐化滤波器（比如拉普拉斯算子）无法区分哪个是真实边缘、哪个是噪声。它一视同仁地增强，结果就是：

• 边缘过冲：真实边缘两侧出现白边或黑边
• 噪声放大：平坦区域的颗粒感变成明显的纹理
• 振铃效应：强边缘周围出现波纹状伪影

我画了一张图，帮你直观理解这个关系：

3.3 高通平台噪声模型：从RAW到YUV的噪声传递

高通平台的ISP pipeline里，噪声不是一成不变的。它从RAW域开始，经过黑电平校正、去马赛克、白平衡、颜色校正、Gamma等模块，最终到达YUV域时，噪声的统计特性已经发生了复杂的变化。

我习惯把高通平台的噪声模型拆成三个阶段：

3.3.1 RAW域噪声模型

这是噪声的源头。高通平台通常使用光子转移模型来描述：

// 高通平台RAW域噪声模型（简化版）
// sigma_read: 读出噪声标准差（与增益无关）
// K: 转换增益（e-/DN）
// S: 信号强度（DN）
// gain: 模拟增益

sigma_total = sqrt(sigma_read^2 + K * S * gain)

// 实际高通代码中还会加入：
// - 行噪声（column FPN）
// - 像素响应非均匀性（PRNU）
// - 温度相关暗电流噪声

3.3.2 去马赛克后的噪声相关性变化

这是最容易忽略的一点。Bayer插值后，相邻像素的噪声不再独立——它们变得相关了。我举个例子：

• 原始Bayer：每个像素只有R/G/B之一，噪声独立
• 插值后：每个像素都有完整的RGB，但G通道的插值引入了空间相关性
• YUV转换后：Y = 0.299R + 0.587G + 0.114B，噪声被加权混合

结果就是：Y通道的噪声方差 ≈ 0.299²σR² + 0.587²σG² + 0.114²σB²。但别忘了，插值后的σR、σG、σB之间还有协方差项。

3.3.3 高通平台的噪声参数化模型

高通在它的ISP tuning工具中（比如Chimera），把YUV域的噪声模型参数化为几个关键曲线：

参数名称	含义	典型取值范围
y_std_lut	亮度噪声标准差 vs 亮度	0.5 ~ 15.0
uv_std_lut	色度噪声标准差 vs 亮度	0.3 ~ 8.0
y_corr_radius	亮度噪声空间相关半径	1 ~ 5 (像素)
uv_corr_radius	色度噪声空间相关半径	2 ~ 8 (像素)
noise_profile_gain	增益映射系数	0.8 ~ 2.0

这些参数怎么用？我一般会在调试时先拍一组灰卡（从暗到亮），然后提取每个亮度区间的噪声标准差，拟合出y_std_lut和uv_std_lut。有了这两个曲线，降噪强度就可以做到亮度自适应。

3.4 噪声分析的工程实践

说了这么多理论，最后分享几个我在高通平台上实际用过的分析手段：

1. 平坦区域提取法：从图像中自动检测平滑区域（方差小于阈值），统计这些区域的Y/U/V标准差
2. 频率域分析：对Y通道做FFT，观察高频分量的能量分布——噪声通常表现为均匀的高频能量，而真实边缘有方向性
3. 噪声轮廓曲线：沿着一条穿过边缘的线，提取Y值变化。理想边缘是阶跃函数，有噪声的边缘会叠加随机波动
4. 色度噪声分离：在U-V平面上做散点图，噪声表现为围绕中心点的随机分布，色偏则表现为中心点偏移