📚 课程目录第3章噪声模型

3. 噪声模型：光子散粒噪声、读出噪声、固定模式噪声（FPN）、噪声的泊松-高斯模型

做RAW域HDR处理，第一关就是跟噪声打交道。我刚开始接触这个领域时，总觉得去噪就是“磨皮”，把画面弄干净就行。后来被现实狠狠教育了一顿——噪声是有“性格”的，不同来源的噪声，行为完全不同。

你想想看，一张RAW图里的噪点，有些是随机的，有些是固定的，有些跟信号强度有关，有些跟温度有关。如果不把它们分开处理，去噪就会变成一场灾难。要么细节全没了，要么噪声纹丝不动。

这一章，我们就来拆解HDR成像中最常见的三种噪声，以及它们组合成的泊松-高斯模型。

光子散粒噪声，说白了就是光的量子特性带来的。光是由一个个光子组成的，到达传感器的数量不是完全均匀的。就像下雨天接雨水，每个雨滴落下的位置是随机的。

这个噪声有个关键特性：它跟信号强度是绑定的。信号越强，散粒噪声的值越大，但信噪比反而越高。为什么？

所以，暗光下散粒噪声最要命。信号只有100个电子时，噪声就有10个电子，信噪比只有10。信号到10000个电子时，噪声100个电子，信噪比到了100。

核心理解：散粒噪声是物理极限，你没法消除它，只能通过增加光子数（延长曝光、增大光圈）来提升信噪比。HDR多帧合成的本质，就是在不同曝光下收集更多光子。

我在项目中遇到过一个问题：用长曝光拍夜景，散粒噪声确实小了，但运动物体糊了。这就是HDR必须做多帧的原因——既要短曝光保细节，又要长曝光提信噪比。

读出噪声是传感器读出电路引入的。它跟信号强度无关，是一个固定底噪。你拍全黑画面，看到的那些颗粒感，主要就是读出噪声。

读出噪声的来源很杂：

现代CMOS传感器的读出噪声已经能做到1-3个电子，但老一点的传感器或者高帧率模式，读出噪声可能到10个电子以上。

避坑指南：我曾经在调试一款手机HDR算法时，发现暗部去噪效果总是不理想。折腾了两周，最后发现是读出噪声模型参数设错了。传感器在不同增益下，读出噪声是不一样的。高增益模式下，读出噪声会被放大，这个一定要在标定阶段测清楚。

FPN跟前面两种噪声完全不同。它不是随机的，而是固定的。每个像素都有自己独特的偏置和增益偏差，拍出来的图像就像盖了个“指纹”。

FPN分两种：

FPN的来源主要是制造工艺的偏差。两个相邻的像素，哪怕设计一模一样，实际的光电转换效率、暗电流、读出路径都会有微小差异。

好消息是，FPN是固定的，可以通过标定来校正。坏消息是，FPN会随温度、增益、曝光时间变化。你不可能只做一次标定就一劳永逸。

注意：FPN在HDR合成中特别容易出问题。多帧对齐后，如果FPN没有被正确校正，合成结果会出现固定的网格状伪影。我见过不少团队在这个坑里栽跟头。

好了，三种噪声都认识了。但实际处理时，我们不可能分开处理每一种噪声。需要一个统一的数学模型。

泊松-高斯模型就是干这个的。它把噪声拆成两部分：

数学表达式很简单：

观测值 = 真实信号 + 泊松噪声 + 高斯噪声

方差模型：
σ²(y) = y · K_shot + K_read²

其中：
y = 观测像素值（已去除黑电平）
K_shot = 散粒噪声增益系数
K_read = 读出噪声标准差（含FPN残差）

这个模型为什么好用？因为它把复杂的噪声行为浓缩成了两个参数。你只需要标定K_shot和K_read，就能预测任意信号强度下的噪声水平。

我个人习惯在标定时拍一组平场（均匀光照的灰卡），从暗到亮拍20-30张，然后逐像素统计均值和方差，最后拟合出这两个参数。

有了噪声模型，HDR处理就有了“眼睛”。具体怎么用？

举个例子，HDR合成时，短曝光帧的暗部噪声很大，长曝光帧的亮部可能饱和。噪声模型能告诉你：短曝光帧的暗部不可信，长曝光帧的亮部不可用。这样融合时就不会把噪声和饱和区域混进来。

关键洞察：去噪和细节的权衡，本质上是在噪声方差和信号方差之间找平衡。噪声模型给了你一把尺子，让你知道哪些地方该“用力”，哪些地方该“收手”。

下面这张图展示了泊松-高斯模型下，噪声标准差随信号强度的变化关系。你可以看到，暗部噪声主要由读出噪声主导，亮部噪声主要由散粒噪声主导。

从图上可以清楚看到：暗部区域（信号<2000e-），总噪声曲线跟读出噪声线几乎重合；亮部区域（信号>7000e-），总噪声曲线跟散粒噪声曲线平行。中间区域是两者共同作用。

这个特性对HDR处理意味着什么？

实用技巧：我在实际项目中，会把噪声模型参数做成一个查找表（LUT），按增益和温度索引。运行时直接查表，不用实时计算，速度快很多。标定一次，用一年。

噪声模型是HDR去噪的基石。没有它，去噪就是盲人摸象。有了它，你就能：