2. RAW域噪声模型：光子散粒噪声、读出噪声、固定模式噪声、噪声建模与参数估计

各位同学，咱们今天来聊聊RAW域里的“脏东西”——噪声。做计算摄影，说白了就是跟噪声斗智斗勇。你想想看，传感器捕捉到的信号，本质上就是一堆光子撞来撞去的结果，这过程本身就带着随机性。

我个人习惯把噪声分成三类：光子散粒噪声、读出噪声、固定模式噪声。这三兄弟各有各的脾气，建模方式也完全不同。咱们一个一个来拆解。

2.1 光子散粒噪声：躲不开的量子宿命

先说说光子散粒噪声。这玩意儿是物理定律决定的，你没法彻底消除。光子的到达是随机的，服从泊松分布。也就是说，即使场景亮度完全均匀，每个像素接收到的光子数也会有波动。

我记得刚入行时，总觉得这噪声是传感器做得不好。后来才明白，这是光本身的量子特性。你想想看，如果一秒钟平均有100个光子打到像素上，那实际可能来95个，也可能来105个。这个波动就是散粒噪声。

它的数学模型很简单：

噪声方差 = 信号均值
标准差 = sqrt(信号均值)

这意味着信号越强，噪声值越大，但信噪比反而越高。为什么？因为信号增长是线性的，噪声只增长平方根。所以暗光下散粒噪声最要命。

2.2 读出噪声：电路里的“底噪”

读出噪声就完全是电路层面的问题了。它来自像素复位、电荷转移、模数转换这些环节。跟信号强度没关系，是个固定底噪。

我在项目中遇到过最头疼的情况——某款传感器的读出噪声在低增益下表现很好，但一开高增益就炸了。后来排查发现是电源纹波耦合进了读出电路。嗯，硬件工程师的噩梦。

读出噪声通常用电子数（e⁻）表示，典型值在1-10 e⁻之间。高端工业相机能做到1 e⁻以下，手机传感器一般在3-5 e⁻左右。

噪声类型	来源	信号依赖	典型量级
光子散粒噪声	光子到达随机性	是（泊松分布）	sqrt(信号)
读出噪声	电路读出过程	否	1-10 e⁻
固定模式噪声	像素/列工艺偏差	部分相关	0.1-1% 满阱

2.3 固定模式噪声：传感器的“指纹”

固定模式噪声（FPN）很有意思。它不随时间变化，但随空间位置变化。说白了，就是每个像素的灵敏度、暗电流、偏置都不一样。你拍一张均匀灰卡，放大看，会有固定的条纹或颗粒。

FPN分两种：行噪声和像素噪声。行噪声是整行像素共有的偏移，通常来自列放大器的不匹配。像素噪声则是每个像素独有的。

我曾经调试过一款传感器，暗场下有条纹特别明显。查了半天，发现是读出时序里复位信号没对齐。调整之后，FPN直接降了一个数量级。这种坑，光看datasheet是看不出来的。

2.4 噪声建模：把三兄弟装进一个公式

好了，现在咱们要把这三个噪声统一建模。完整的RAW域噪声模型长这样：

总噪声方差 = 散粒噪声 + 读出噪声 + FPN
           = k * S + σ_read² + σ_fpn²

其中S是信号强度，k是转换增益相关的系数。这个模型虽然简单，但足够覆盖大部分场景。

我建议在实际项目中，至少采集5-10组不同亮度的均匀画面，然后拟合这个模型。你会发现，不同增益下，三个噪声分量的占比完全不同。

举个例子：

• 低增益（ISO 100）：读出噪声占主导，散粒噪声几乎可以忽略
• 中增益（ISO 400）：散粒噪声和读出噪声相当
• 高增益（ISO 3200）：散粒噪声主导，读出噪声被放大后也明显

2.5 参数估计：手把手教你算

参数估计这事儿，说难不难，说简单也不简单。核心思路就是利用不同亮度的均匀区域，通过方差分析反推噪声参数。

具体步骤：

1. 拍摄暗场（盖上镜头盖），计算像素值方差，得到读出噪声+FPN的底噪
2. 拍摄不同亮度的灰卡，计算每个亮度下的方差
3. 用最小二乘法拟合方差-信号曲线
4. 从曲线斜率提取散粒噪声系数，从截距提取读出噪声

下面这张图展示了完整的噪声建模与参数估计流程：

2.6 实战中的噪声处理策略

有了噪声模型，你能做什么？我列几个实际应用：

• 自适应降噪：根据信号强度动态调整降噪强度，暗区重降噪，亮区轻降噪
• 多帧合成权重：在HDR或降噪合成时，用噪声方差作为权重依据
• 传感器评估：对比不同传感器的噪声参数，选择最适合项目的方案
• 仿真测试：在算法开发阶段，用模型生成带噪RAW图，省去反复实拍

好了，RAW域的噪声模型就讲到这里。记住，噪声不是敌人，而是可以量化的物理过程。理解了它，你就能更好地控制它。