1. 噪声的诞生：手机摄影噪声的来源与数学模型
做手机摄影算法这么多年，我见过太多「白天是神，晚上是鬼」的拍照场景。白天光线充足，随便一拍都好看；一到暗光环境，满屏噪点，画面脏得像砂纸。为什么会这样？
说白了，噪声是物理世界的「原罪」。只要光信号在转换、传输、存储，就一定会引入噪声。今天我们就来扒一扒，手机摄影里的噪声到底从哪来，长什么样，怎么用数学描述它。
1.1 三大噪声来源
1.1.1 光子噪声（Photon Shot Noise）
这是最根本的噪声，躲不掉的。光本身是由一个个光子组成的，到达传感器的光子数量服从泊松分布。你想想看，如果平均每秒有100个光子到达，那实际到达的数量可能是95、102、98……这种随机波动就是光子噪声。
我在项目中遇到过一个问题：为什么同样曝光时间，暗光下噪点比亮光下明显得多？原因就在这里。光子噪声的强度等于光子数的平方根。光线越暗，光子数越少，信噪比就越差。
1.1.2 读出噪声（Read Noise）
读出噪声是传感器把电荷转换成电压、再转换成数字信号时引入的。这部分噪声跟光线强弱无关，是电路本身的「底噪」。
嗯，这里要注意：读出噪声在暗光下特别致命。因为暗光下信号本身很弱，读出噪声会「淹没」掉细节。我记得有一次调试夜景模式，发现ISO越高，读出噪声反而被放大了——后来才意识到是模拟增益放大了噪声。
1.1.3 暗电流噪声（Dark Current Noise）
传感器即使完全遮光，也会产生电荷。为什么？因为半导体材料本身的热激发会产生电子-空穴对。温度越高，暗电流越大。
你想想看，夏天拍夜景，手机发烫，暗电流噪声就会飙升。这就是为什么专业相机有制冷模块，手机只能靠算法硬扛。
1.2 噪声模型与数学表示
把上面三种噪声综合起来，我们可以得到一个完整的噪声模型：
总噪声方差 = 光子噪声方差 + 读出噪声方差 + 暗电流噪声方差
σ²_total = σ²_shot + σ²_read + σ²_dark
其中：
σ²_shot = G × N_photon （G是增益系数）
σ²_read = 常数（由传感器决定）
σ²_dark = D × t （D是暗电流率，t是曝光时间）
这个模型在实际工程中非常有用。我经常用它来反推：给定一张照片的噪声水平，可以估算出当前场景的光子数、传感器增益等参数。
1.3 信噪比（SNR）的概念
信噪比，说白了就是「信号有多强，噪声有多弱」。数学上很简单：
SNR = 信号强度 / 噪声标准差
用分贝表示：SNR(dB) = 20 × log10(信号/噪声)
举个例子：如果信号是100，噪声是10，那SNR就是10，换算成dB是20dB。这个值越高，画面越干净。
| SNR (dB) | 画质感受 | 典型场景 |
|---|---|---|
| > 40 dB | 几乎无噪点 | 白天户外 |
| 30-40 dB | 轻微噪点 | 室内灯光 |
| 20-30 dB | 明显噪点 | 黄昏/暗光 |
| < 20 dB | 噪声严重 | 夜景/极暗光 |
1.4 知识体系总览
下面这张图，是我自己总结的噪声知识框架。你可以把它当作本章的「地图」：
1.5 实战中的噪声分析
在实际项目中，我一般会这样分析一张照片的噪声：
- 看亮度分布：暗部区域噪声最明显，通常是读出噪声和暗电流噪声的混合体
- 看纹理区域：平坦区域（如天空）的噪声是「颗粒感」，纹理区域的噪声是「细节丢失」
- 看颜色：彩色噪声（红绿蓝斑点）通常是去马赛克算法放大了噪声
- 看时间维度：视频中的闪烁噪声，往往是读出噪声的时域表现
好了，这一章我们搞清楚了噪声的「身世」——它从哪里来，长什么样，怎么用数学描述。下一章我们会深入实战，看看怎么用算法把这些噪声「干掉」。