3. 噪声模型分析：HDR图像中的噪声来源与分布特性
做HDR图像处理，说白了就是在跟噪声打仗。你想想看，多帧合成也好，单帧宽动态也罢，最终画质的天花板往往不是传感器动态范围，而是噪声这只看不见的手。
我个人习惯，拿到一个HDR项目，第一件事不是调算法参数，而是先搞清楚：噪声从哪来？长什么样？ 这就像医生看病，得先诊断再开药。今天我们就来拆解HDR图像里的三大噪声来源，以及它们的统计特性。
3.1 三大噪声来源：光子噪声、读出噪声、量化噪声
一张HDR图像从光子打到传感器到变成数字码值，中间经历了三个关键环节。每个环节都会引入噪声，我把它们列在下面这张表里：
| 噪声类型 | 产生环节 | 物理本质 | 与信号的关系 |
|---|---|---|---|
| 光子噪声 | 光电转换 | 光子到达的随机性（泊松过程） | √信号（信号越大，噪声越大） |
| 读出噪声 | 模拟电路读出 | 像素复位、放大器、ADC前端热噪声 | 与信号无关（固定基底） |
| 量化噪声 | ADC量化 | 有限比特数导致的舍入误差 | 均匀分布，与信号弱相关 |
3.1.1 光子噪声——躲不开的物理极限
光子噪声是HDR图像里最「公平」的噪声。为什么？因为它是量子力学决定的。光子到达传感器像素的过程服从泊松分布，方差等于均值。也就是说，信号越强的地方，光子噪声的值越大。
我在做一款车载HDR摄像头项目时，遇到过一个问题：暗部区域噪声看起来不大，但亮部区域（比如车灯附近）反而出现明显的颗粒感。一开始团队以为是传感器坏了，后来一分析——这就是典型的光子噪声主导区。亮部信号强，光子噪声的方差跟着变大，视觉上反而更「脏」。
关键公式（理解即可）：
光子噪声方差 σ²_photon = μ（μ为平均光子数）
信噪比 SNR = μ / √μ = √μ
这意味着：信号翻4倍，SNR才翻2倍。HDR场景下亮暗差异巨大，噪声特性差异也巨大。
3.1.2 读出噪声——电路里的「底噪」
读出噪声是传感器读出电路固有的噪声基底。它跟信号大小没关系，不管你拍的是全黑还是过曝，它就在那里，不增不减。
读出噪声的主要成分包括：
- 复位噪声（kTC噪声）： 像素复位时电容上的热噪声，跟温度强相关。
- 1/f噪声： 放大器低频段的闪烁噪声，在长曝光时尤其明显。
- ADC前端噪声： 比较器、采样保持电路引入的宽带噪声。
我曾经调试过一款高动态范围传感器，发现暗部区域的信噪比死活上不去。后来一查数据手册，读出噪声的均方根值高达12个电子。这意味着什么？暗部信号只有几十个电子时，读出噪声直接淹没了细节。嗯，这就是为什么HDR合成时，暗帧需要做专门的降噪预处理。
避坑指南： 我曾经在HDR多帧合成时，直接把所有帧的噪声方差当成一样的来处理。结果合成后的暗部区域出现明显的闪烁噪声。后来才意识到——短曝光帧（亮部）光子噪声占主导，长曝光帧（暗部）读出噪声占主导。两种噪声的统计特性完全不同，必须分开建模。
3.1.3 量化噪声——ADC的「最后一刀」
量化噪声是模数转换时产生的。模拟信号是连续的，数字码值是离散的，这个舍入过程必然引入误差。对于均匀量化的ADC，量化噪声近似服从均匀分布，方差为 Δ²/12（Δ为量化步长）。
在HDR场景下，量化噪声有一个容易被忽视的问题：非线性量化。很多HDR传感器为了扩展动态范围，会采用对数响应或分段线性响应。这时候量化步长不再是常数，量化噪声的分布也会跟着变。
举个例子，某款HDR传感器在低照度区采用线性响应（小步长），在高照度区采用对数压缩（大步长）。高亮区域的量化噪声会明显增大，但好在高亮区域光子噪声也大，量化噪声往往被光子噪声掩盖。真正要小心的是中灰区域——两种噪声的幅度接近，叠加后容易出现条带效应。
3.2 噪声分布特性：从统计到视觉
搞清楚了噪声来源，接下来要回答一个更实际的问题：这些噪声在图像上到底长什么样？ 我习惯从两个维度去分析——概率分布和空间分布。
3.2.1 概率分布：高斯还是泊松？
很多教材告诉你「图像噪声是高斯分布」，这话对了一半。实际上：
- 光子噪声： 严格来说是泊松分布。但当信号均值较大（>100个光子）时，泊松分布近似高斯分布。HDR场景的亮部区域，用高斯近似完全没问题。
- 读出噪声： 主要是高斯分布（热噪声、1/f噪声的叠加结果）。
- 量化噪声： 均匀分布。
那实际HDR图像的总噪声是什么分布？答案是信号依赖的高斯分布。方差由两部分组成：
σ²_total = σ²_readout + k · I(x, y)
其中k是光子噪声增益系数，I(x,y)是像素强度。这个模型在HDR降噪算法里非常常用，我几乎每个项目都会用它来拟合传感器噪声参数。
注意： 不要直接对HDR图像做全局高斯降噪。因为不同区域的噪声方差不同，全局处理要么过平滑暗部，要么欠平滑亮部。一定要用信号依赖的噪声模型。
3.2.2 空间分布：独立同分布？想得美
理想情况下，每个像素的噪声是独立同分布的。但实际传感器存在列噪声和行噪声——同一列或同一行的像素共享读出电路，噪声会呈现条纹状。
我在做一款安防HDR相机时，遇到过一种奇怪的噪声：画面暗部有垂直的细条纹，频率刚好跟像素时钟同步。查了三天，最后发现是ADC的参考电压纹波耦合到了列放大器上。这种噪声在空间上不是独立的，而是列相关的。普通的空域降噪根本去不掉，得用专门的列噪声校正算法。
下面这张图总结了HDR图像噪声的完整模型框架：
3.3 噪声参数标定：动手做一次
理论说完了，来点实际的。怎么知道你的传感器噪声参数是多少？我分享一个我常用的标定方法：
- 拍灰卡： 在均匀光照下拍摄一张18%灰卡，采集多帧（至少100帧）。
- 计算均值和方差： 对每个像素计算时域均值和时域方差。
- 拟合噪声曲线： 以均值为横轴，方差为纵轴，做线性拟合。斜率就是光子噪声增益k，截距就是读出噪声方差。
- 验证： 在暗场（镜头盖盖上）重复一次，确认截距是否一致。
小技巧： 我习惯把标定结果存成查找表（LUT），在降噪算法初始化时直接加载。这样每次换传感器型号，只需要重新跑一遍标定流程，算法代码不用改。
3.4 本章小结
HDR图像的噪声不是单一来源，而是光子噪声、读出噪声、量化噪声的叠加。光子噪声随信号增大而增大，读出噪声是固定基底，量化噪声在高动态范围的非线性量化下会变得复杂。空间上，除了像素级独立噪声，还有列/行相关的结构性噪声。