4. 噪声估计方法：基于块的噪声估计、基于变换域的噪声水平函数拟合

噪声估计，说白了就是给图像里的噪声「量体温」。你连噪声有多大都不知道，后面怎么去抑制它？

我早年做HDR项目时，踩过最大的坑就是——噪声估计不准。估计值偏大，细节全磨没了；估计值偏小，噪声纹丝不动。后来我才明白，噪声估计的精度，直接决定了整个降噪管线的上限。

这一章，我们聚焦两种最实用的方法：基于块的噪声估计和基于变换域的噪声水平函数拟合。前者简单直观，后者精度更高。两者结合，基本能覆盖90%的HDR场景。

4.1 基于块的噪声估计

这个方法的核心思路是：找图像里最「平」的区域，然后算方差。为什么？因为平坦区域里，像素值的波动主要来自噪声，而不是纹理。

具体步骤，我一般这么走：

1. 图像分块：把图像切成N×N的小块。我常用8×8或16×16。块太小，统计不稳定；块太大，容易混入纹理。
2. 计算每个块的局部方差：对每个块，算像素值的方差σ²。方差越大，说明这个块要么有纹理，要么噪声大。
3. 筛选平坦块：取方差最小的那10%~20%的块，认为它们是「近似平坦」的。这些块的方差，基本就是噪声方差。
4. 汇总估计：对筛选出的块方差取中位数或均值，得到全局噪声水平。

这个方法有个明显的弱点：它假设噪声是空间均匀的。但HDR图像里，噪声往往随亮度变化——暗区噪声大，亮区噪声小。所以，我通常不会只做一个全局估计，而是分亮度区间做。

举个例子，我曾经处理过一张夜景HDR：

你看，分区间估计后，误差基本控制在10%以内。对于工程应用来说，这个精度已经够用了。

4.2 基于变换域的噪声水平函数拟合

基于块的方法虽然简单，但有个硬伤——它只能估计全局或分区间的单一噪声水平。而真实HDR图像的噪声，往往是信号相关的，即噪声水平随像素值变化。

这时候，就需要噪声水平函数（Noise Level Function, NLF）出马了。NLF描述的是：给定像素值x，噪声标准差σ(x)是多少。

我个人最常用的方法是基于小波变换的NLF拟合。为什么选小波？因为小波变换能把图像分解成不同尺度和方向，噪声在高频子带里最明显，而图像结构主要集中在中低频。这样一来，噪声和信号更容易分离。

具体流程是这样的：

1. 小波分解：对图像做3层小波分解，得到多个高频子带（HH、HL、LH）。
2. 提取噪声候选点：在每个高频子带里，用中值偏差（MAD）估计噪声标准差。MAD比标准差更鲁棒，不容易被边缘点带偏。
3. 建立映射：把每个像素的亮度值x和对应的高频子带噪声估计值σ配对，得到一组散点(x, σ)。
4. 曲线拟合：用多项式或分段线性函数拟合这些散点，得到连续的NLF曲线。

拟合出来的NLF长什么样？我画了一张图，你可以直观感受一下：

从图上你能看到：暗区（左侧）的噪声标准差明显高于亮区（右侧）。这就是HDR图像噪声的典型特征——信号越弱，噪声越强。拟合出的NLF曲线，就是后续降噪算法里「自适应强度」的依据。

4.3 两种方法的对比与选择

你可能会问：那我到底该用哪种？

我的建议是：看场景，也看资源。

我在实际项目中，经常把两者结合起来用：先用基于块的方法快速估算一个初始值，再用NLF拟合做精细化调整。这样既保证了速度，又兼顾了精度。

4.4 代码实现：基于小波的NLF拟合

下面给出一段核心代码。我用的是Python + PyWavelets，实现一个简化的NLF拟合流程：

import pywt
import numpy as np
from sklearn.linear_model import RANSACRegressor

def estimate_nlf_wavelet(image, wavelet='db4', level=3):
    """
    基于小波变换的噪声水平函数拟合
    image: 输入灰度图像 (H, W)
    返回: NLF函数，输入像素值x，输出噪声标准差sigma
    """
    # 1. 小波分解
    coeffs = pywt.wavedec2(image, wavelet, level=level)
    
    # 2. 提取所有高频子带
    noise_samples = []  # (亮度值, 噪声标准差)
    
    for detail_coeffs in coeffs[1:]:  # 跳过近似子带
        for subband in detail_coeffs:  # HH, HL, LH
            # 用MAD估计子带噪声标准差
            median = np.median(np.abs(subband))
            sigma = median / 0.6745  # 高斯噪声的MAD缩放因子
            
            # 提取对应位置的亮度值（从近似子带插值）
            # 这里简化处理：直接用子带系数的值作为噪声候选
            flat_subband = subband.flatten()
            noise_samples.extend(zip(flat_subband, [sigma]*len(flat_subband)))
    
    # 3. 构建训练数据
    X = np.array([s[0] for s in noise_samples]).reshape(-1, 1)
    y = np.array([s[1] for s in noise_samples])
    
    # 4. 用RANSAC拟合（鲁棒回归，排除异常点）
    reg = RANSACRegressor().fit(X, y)
    
    # 5. 返回NLF函数
    def nlf(x):
        return reg.predict(np.array(x).reshape(-1, 1))
    
    return nlf

# 使用示例
# image = load_hdr_gray()  # 你的HDR灰度图
# nlf_func = estimate_nlf_wavelet(image)
# sigma_at_100 = nlf_func(100)  # 像素值100处的噪声标准差