浅谈ISP-噪声模型1

一．噪声的产生

    图像噪声是指存在于图像数据中的不必要的或多余的干扰信息，噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”（图像噪声可以描述成不同的类型，其归类方法就是基于统计方法的）。图像复原 即利用退化过程的先验知识，去恢复已被退化图像的本来面目。

    图像传感器在采集图像的过程中受传感器材料属性、工作环境、电子元器件和电路结构等影响，会引入各种噪声。同时，图像信号传输过程中受到传输介质中干扰因素的扰动以及存储设备不完善等的影响均会产生噪声。

在ISP系统中，图像从CMOS产生后经过一系列的线性以及非线性的处理，噪声形态会发生变化，变得难以去除。因此，在靠前的位置对图像进行恢复时，有较好的效果，此时的噪声模型符合一定的统计规律。

二．噪声分类

    噪声一般分为加性噪声和乘性噪声，加性噪声和图像信号强度是不相关的；而乘性噪声和图像信号是相关的，往往随图像信号的变化而变化。G=f+n为加性噪声表现形式，G=f+fn为乘性噪声表现形式，f为无噪声图像，n为噪声。理想情况下，可利用G-f得到无噪声的图像，利用统计方法计算噪声的概率密度函数，即可得到噪声的分类。

2.1 高斯噪声

    高斯噪声是所有噪声当作使用最为广泛的，传感器在低照明度或者高温的条件下产生的噪声就属于高斯噪声，电子电路中产生的噪声也属于高斯噪声，还有很多噪声都可以根据高斯分布（正态分布）的形式进行描述。高斯噪声的概率密度函数可以表示为：

2 .2脉冲噪声

    脉冲噪声常称为椒盐噪声、尖峰噪声和散粒噪声，CMOS中的hot pixel，weak pixel 或是dead pixel，一般称之为impulsenoise。其概率密度函数可以表示为：

2.3瑞利噪声

    瑞利噪声相比高斯噪声而言，其形状向右歪斜，概率密度函数可以表示为：

                                

2.4伽马噪声

    Erlang噪声又称作伽马(爱尔兰)噪声，服从了伽马曲线的分布。

                                

2.5指数分布噪声

    指数噪声的密度函数可表示为：

                                    

2.6 均匀噪声

    均匀噪声的密度函数可表示为：

                                    

2.7泊松分布噪声

    泊松噪声的概率密度函数符合泊松分布。泊松噪声的强度会随着光线变强而变大，也就是说图像的像素值越大，泊松噪声出现的频率也越大。泊松噪声产生原理：光源发出的光子照射在CMOS上，从而形成一个可见的光点。CMOS在有些时候可能无法接收所有的光子，或者有时候接收到的光子特别多，这就导致灰度值会产生波动，这时候就会发生泊松噪声

更多内容或者交流可关注我的公众号：我爱图像处理