2. 噪声源分析：HDR图像中的噪声类型与模型建立

做HDR图像处理，第一件事不是调算法，而是搞清楚——噪声到底从哪来的。

我早年接手过一个项目，客户抱怨暗部全是彩色噪点，怎么降噪都去不干净。我花了三天排查，最后发现是传感器读出电路的设计问题。嗯，从那以后我养成了一个习惯：拿到一张HDR图，先问三个问题——什么传感器、什么ISO、什么曝光策略。

这一节，我们就来拆解HDR图像里的三种核心噪声。你只有知道它们长什么样、怎么产生的，才能对症下药。

2.1 光子噪声（Photon Shot Noise）

光子噪声，说白了是光的量子特性带来的。光不是连续的，是一颗一颗光子砸到传感器上。每颗光子到达的时间和位置都是随机的。

你想想看，如果某个像素在1/30秒内平均应该收到1000个光子，那实际收到的可能是980，也可能是1020。这个波动，就是光子噪声。

我在项目中遇到过最典型的场景：长曝光HDR的暗部区域。明明曝光时间已经拉长了，暗部还是颗粒感明显。为什么？因为暗部光子数本来就少，泊松噪声的相对占比就大。

2.2 读出噪声（Readout Noise）

读出噪声，是传感器把电荷转换成电压、再转换成数字信号的过程中引入的。它跟信号强度无关，是电路本身的底噪。

我记得有一次调试一款工业相机，暗电流补偿做得很好，但暗部还是有一层固定的“底噪纹理”。后来发现是读出电路的参考电压不稳定导致的。

噪声类型	来源	特性	对HDR的影响
复位噪声	像素复位时电容上的热噪声	低频、固定模式	暗部出现固定条纹
1/f噪声	晶体管沟道中的载波捕获/释放	低频、随时间漂移	长曝光时暗部不均匀
ADC量化噪声	模数转换的量化误差	均匀分布、信号无关	限制暗部动态范围

2.3 量化噪声（Quantization Noise）

量化噪声，是ADC把模拟信号转成数字信号时，因为精度有限而产生的舍入误差。说白了，就是“数字世界永远无法完美表示模拟世界”。

举个例子：一个12位ADC，动态范围是0-4095。如果某个像素的真实电压对应4095.6，那ADC只能输出4095，那0.6的误差就是量化噪声。

在HDR场景中，量化噪声的影响尤其明显。为什么？因为HDR需要同时保留亮部和暗部细节。如果ADC的位数不够，暗部的量化步长相对信号来说就太大了。

我个人习惯在HDR项目中，至少使用14位以上的ADC。如果只能用12位，那就必须配合多帧合成或空间抖动来“伪提升”位深。

2.4 噪声模型建立

把上面三种噪声整合起来，就得到了HDR图像的完整噪声模型。我一般用这个公式来描述：

总噪声方差 = 光子噪声方差 + 读出噪声方差 + 量化噪声方差

σ²_total = σ²_shot + σ²_read + σ²_quant

其中：
σ²_shot = α · S          （S为信号强度，α为量子效率相关常数）
σ²_read = β              （β为读出噪声方差，与信号无关）
σ²_quant = Δ² / 12       （Δ为量化步长）

这个模型看起来简单，但实际应用时要注意几个坑：

• 光子噪声的α系数在不同ISO下会变化——高ISO时增益放大，光子噪声也被放大
• 读出噪声的β不是完全恒定的——温度升高时β会增大
• 量化噪声在暗部区域占比更大——因为信号S很小，Δ/12的相对影响就大了

2.5 噪声模型的可视化

下面这张图展示了HDR图像中三种噪声的关系，以及它们在不同信号强度下的占比变化。

2.6 噪声模型的工程应用

有了噪声模型，我们能做什么？我列几个实际场景：

1. 去噪算法的参数自适应——根据信号强度S动态调整去噪强度。暗部用强去噪，亮部用弱去噪。
2. 多帧合成的权重设计——不同曝光帧的噪声方差不同，合成权重应该反比于噪声方差。
3. 暗部细节还原的置信度——根据噪声模型计算每个像素的SNR，低于阈值的区域不做过度增强。