📚 课程目录第3章低光照图像模型

3、低光照图像模型：噪声模型与Retinex理论

做低光照增强，第一件事不是调算法，而是搞清楚——图像到底是怎么变差的。

我早年接过一个安防项目，摄像头在楼道里，晚上几乎全黑。我用了一堆增强算法，结果噪点比信号还明显。后来才意识到：不懂噪声模型，调参就是瞎蒙。

这一章，我们就来拆解低光照图像的退化机制。从噪声类型到光照退化，再到经典的Retinex理论。嗯，都是后面实战的基础。

低光照下，噪声是主要矛盾。传感器接收的光子少，信噪比就低。我习惯把噪声分成三类来理解：

高斯噪声是最基础的模型。说白了，就是每个像素上叠加一个随机值，服从正态分布。

数学上很简单：

I_noisy = I_clean + n,  n ~ N(0, σ²)

我在项目中遇到过：用CMOS传感器在长曝光时，热噪声会明显增加。这时候σ会随温度升高而变大。所以工业相机往往带制冷——不是炫技，是真的有用。

实用技巧：高斯噪声的σ值，可以通过拍摄一张全黑帧（盖上镜头盖）来估计。取图像的标准差即可。

这个要重点讲。低光照下，散粒噪声才是主角。

你想想看：光子到达传感器是随机的，服从泊松分布。光照越弱，光子数越少，随机波动就越明显。这就是散粒噪声的本质。

模型是这样的：

I_noisy ~ Poisson(λ), 其中 λ = I_clean

注意：泊松噪声的方差等于均值。也就是说，亮区噪声大，暗区噪声小。但暗区信噪比更低，所以看起来更脏。

避坑指南：我曾经直接用高斯滤波器去噪低光照图像，结果暗部细节全糊了。后来改用泊松-高斯混合模型（P-G模型），效果才正常。记住：低光照下，纯高斯假设是错的。

除了噪声，光照本身也在退化。低光照图像可以建模为：

I(x,y) = R(x,y) · L(x,y) + N(x,y)

其中：

这个模型告诉我们两件事：

我习惯把这个过程画成一张图，方便理解：

Retinex是"Retina"和"Cortex"的合成词。这个理论的核心观点很朴素：人眼感知的颜色，取决于反射率，而不是光照。

换句话说：一张白纸在阳光下是白的，在阴影里也是白的。但相机拍出来，阴影里的纸就是灰的。Retinex要做的，就是把人眼的这个能力教给算法。

所以Retinex的求解思路就是：从I中分离出L和R。怎么做？取对数，把乘法变加法：

log(I) = log(R) + log(L)

然后，用低通滤波器估计log(L)，再用减法得到log(R)。最后指数还原。

  关键理解：Retinex本质上是一个光照-反射率分解问题。所有后续的增强算法，几乎都绕不开这个框架。

我早期做低光照增强时，直接调OpenCV的MSRCR。效果嘛……有时候惊艳，有时候翻车。后来才明白：Retinex假设光照是平滑的，但现实中的光照往往有硬阴影。这就是它的天花板。

注意：Retinex对噪声敏感。低光照图像本身信噪比低，直接做Retinex分解，会把噪声放大到反射分量里。所以实际工程中，去噪和Retinex要联合做，不能分开。

这一章我们拆解了低光照图像的退化机制：