1、去噪基础：图像噪声来源与分类

做ISP图像处理这些年，我接触最多的就是噪声。说实话，刚入行那会儿，我总觉得去噪就是简单做个滤波。后来在项目中吃了不少亏，才明白——不懂噪声的来龙去脉，去噪就是瞎搞。

这一章，咱们就把噪声的底细摸清楚。你想想看，连敌人长什么样都不知道，怎么打胜仗？

1.1 噪声到底从哪来？

图像噪声，说白了就是传感器在捕捉光线时产生的「意外信号」。我习惯把噪声来源分成三类：

• 传感器自身：CMOS/CCD的暗电流、读出电路的热噪声
• 光子特性：光本身就是离散的粒子，统计涨落不可避免
• 传输过程：信号在传输中受电磁干扰，或者存储时数据出错

嗯，这里要注意——噪声不是「坏掉」才有的。哪怕你拿最顶级的工业相机，在暗光下拍一张纯黑画面，放大看照样有噪点。这是物理规律，躲不开。

1.2 四大常见噪声类型

我在项目中实际遇到的噪声，90%以上可以归到这四类。咱们一个一个说。

1.2.1 高斯噪声

这是最经典的噪声模型。它来自传感器读出电路的热运动，每个像素的噪声值服从正态分布。

数学上长这样：

概率密度函数：p(x) = (1/σ√2π) * exp(-(x-μ)²/2σ²)

其中 μ 是均值（通常为0），σ 是标准差（控制噪声强度）

我记得第一次做去噪算法评估时，用的就是高斯噪声。因为它数学性质好，方便分析。但实际项目中，纯高斯噪声很少单独出现，往往是混合噪声的一部分。

1.2.2 泊松噪声（散粒噪声）

这个噪声跟光子的量子特性有关。光打到传感器上，本质是光子一个个砸过来。光子数量服从泊松分布。

关键特性：噪声强度跟信号强度挂钩。亮的地方噪声大，暗的地方噪声小。

泊松分布：P(k) = (λ^k * e^(-λ)) / k!

λ 是平均光子数，k 是实际观测到的光子数
噪声方差 = λ（均值等于方差）

你想想看，这意味着什么？暗光下信噪比天然就差。因为光子少，统计涨落相对更明显。这也是为什么夜景照片噪点多的根本原因。

1.2.3 椒盐噪声

这个噪声很直观——图像上随机出现白点（盐）和黑点（椒）。它通常来自传感器坏点、传输错误或者存储介质问题。

特点：

• 只有两个值：0（黑）或255（白）
• 随机分布，跟图像内容无关
• 密度参数控制噪声比例

处理椒盐噪声，中值滤波是经典方案。我做过对比实验：3x3中值滤波对5%密度的椒盐噪声，恢复效果能达到PSNR 35dB以上。

1.2.4 散粒噪声（Shot Noise）

其实散粒噪声跟泊松噪声是同一个东西的不同叫法。但有些资料会把它单独拎出来，强调它在高增益场景下的表现。

简单说：增益越大，散粒噪声越明显。手机拍照时ISO开到3200以上，满屏的彩色噪点，就是散粒噪声在作祟。

1.3 信噪比与噪声评估指标

做去噪，你得有个尺子量效果。我常用的指标就这几个：

1.3.1 信噪比（SNR）

定义很简单：

SNR = 10 * log10(信号功率 / 噪声功率)

单位：dB

SNR越高，图像质量越好。一般经验：

SNR范围	图像质量	典型场景
>40dB	优秀	专业摄影棚
30-40dB	良好	白天户外
20-30dB	可接受	室内灯光
<20dB	较差	暗光/夜景

1.3.2 PSNR（峰值信噪比）

这是学术界最常用的指标：

PSNR = 10 * log10(MAX² / MSE)

MAX是像素最大值（8bit图像为255）
MSE是均方误差

PSNR > 40dB 通常认为恢复效果很好。但说实话，PSNR高不代表人眼看着舒服。我做过测试：两张图PSNR差2dB，人眼根本分不出好坏。

1.3.3 SSIM（结构相似性）

这个指标更贴近人眼感知。它从亮度、对比度、结构三个维度评估图像质量。

SSIM(x,y) = [l(x,y)]^α * [c(x,y)]^β * [s(x,y)]^γ

取值范围：0~1，越接近1越好

我个人习惯：PSNR看数值，SSIM看趋势。两个指标结合着用，比单看一个靠谱。

1.3.4 主观评估

嗯，这个最容易被忽略，但恰恰最重要。我建议：

• 放大到100%看细节纹理
• 关注边缘是否模糊
• 检查暗部有没有色块
• 看平坦区域是否出现伪纹理

1.4 本章小结

这一章咱们把噪声的底细摸清楚了：

• 噪声来源：传感器、光子、传输
• 四大噪声：高斯、泊松、椒盐、散粒
• 评估指标：SNR、PSNR、SSIM、主观评估

下一章，咱们就要动手了——经典去噪算法实战。我会从最基础的空域滤波讲起，一步步带你搭建自己的去噪流水线。

记住一句话：懂噪声，才能去好噪。这是ISP图像处理的铁律。