第3章低光照图像噪声分析

3. 低光照图像噪声分析：光子散粒噪声、读出噪声、固定模式噪声、量化噪声、噪声模型与分布

低光照下拍出来的图像，为什么总是「花」的？

说白了，就是噪声在捣乱。我做了这么多年图像调试，见过太多团队一上来就调降噪参数，结果越调越糊。其实，你得先搞清楚噪声从哪来、长什么样，才能对症下药。

今天咱们就把低光照下最常见的几种噪声，一个一个掰开来看。

这是物理定律决定的，躲不开。

光本身是由一个个光子组成的。传感器接收光子时，数量是随机的——就像下雨天你拿桶接水，每一滴落下的位置和时间都不确定。这种随机性，就是散粒噪声的根源。

核心公式：

σ_shot = √(N_photon)

其中 N_photon 是接收到的光子数。信号越强，噪声绝对值越大，但信噪比反而越高（因为信号增长更快）。

我在项目中遇到过一件事：有次调试一款安防摄像头，暗光下画面噪点特别多。团队里有人提议「把增益降下来」。我赶紧拦住——降增益确实能压住一部分噪声，但散粒噪声是信号本身的属性，你降增益，信号也降了，信噪比并不会改善。

我的习惯：评估散粒噪声时，不要只看噪声的绝对值，要看信噪比。信噪比低于 10dB 时，基本就不可用了。

读出噪声是传感器把电荷转换成电压、再经过模数转换时引入的。它跟光信号无关——哪怕你把镜头盖死，全黑环境下，读出噪声依然存在。

你想想看，这其实是个「底噪」的概念。我刚开始做嵌入式图像系统时，总觉得读出噪声是传感器厂商的事，跟我没关系。直到有一次，我在低光照下测暗电流，发现读出噪声直接淹没了信号——嗯，从那以后我再也不敢忽视它了。

噪声类型	与信号关系	典型值（e-）
光子散粒噪声	√(信号)	随信号变化
读出噪声	与信号无关	2~10 e-

避坑指南：我曾经在选型时只看传感器的量子效率，忽略了读出噪声。结果低光照下，读出噪声比散粒噪声还大，画面全是「雪花」。后来我学乖了：低光照场景下，读出噪声才是真正的瓶颈。

固定模式噪声，说白了就是传感器上每个像素的「个性」。

每个像素的感光面积、暗电流、放大倍数都有细微差异。这些差异在亮光下不明显，但在低光照下就会被放大——你会看到画面中有固定的竖条纹或网格状图案。

我记得有一次调试一款工业相机，客户投诉说「画面有条纹」。我一看就知道是 FPN。怎么解决？

我的经验：FPN 校正最好在传感器原始数据上做，不要在 RGB 或 YUV 域做。因为颜色插值会打乱像素的空间关系，校正效果大打折扣。

量化噪声是模数转换时产生的。模拟信号是连续的，但数字信号是离散的——你只能用一个整数去近似一个连续值，这个近似误差就是量化噪声。

举个例子：10-bit ADC 有 1024 个量化等级，12-bit 有 4096 个。量化等级越多，噪声越小。但低光照下，信号本身就很弱，可能只占几个量化等级——这时候量化噪声就变得非常明显。

量化噪声的均方根值：

σ_quant = LSB / √12

其中 LSB 是最低有效位对应的电压值。12-bit 比 10-bit 的 LSB 小 4 倍，量化噪声也小 4 倍。

我建议：如果条件允许，低光照场景尽量用 12-bit 或更高位深的传感器。10-bit 在暗光下，量化噪声会吃掉你最后一点细节。

搞清楚了每种噪声，接下来就是怎么把它们「捏」在一起。

一个经典的噪声模型是这样的：

总噪声 = √(散粒噪声² + 读出噪声² + 固定模式噪声² + 量化噪声²)

注意，这里用的是平方和开根号——因为大部分噪声是相互独立的，它们的方差可以直接相加。

分布上呢？

实际调试中，我一般把总噪声近似为高斯分布——虽然不完美，但够用。降噪算法大多也是基于高斯假设设计的。

注意：低光照下，散粒噪声的泊松特性会更明显。如果你用纯高斯模型去拟合，可能会低估噪声的「拖尾」效应——也就是那些特别亮的孤立噪点。我曾经因为这个踩过坑，后来改用泊松-高斯混合模型才搞定。

下面这张图，是我自己总结的低光照噪声分析框架。你可以把它当作调试时的「地图」：

这张图把整个噪声分析的流程串起来了。从识别噪声来源，到建立模型，再到选择分布，最后落到调试策略上。我个人习惯在调试前先画这么一张图——思路清晰了，代码才不会写偏。

好了，低光照噪声分析就聊到这儿。记住一句话：噪声不可怕，可怕的是你不知道它从哪来。搞清楚每种噪声的脾气，你才能跟它和平共处。