前面几节讲到各种噪声模型和分布,对于ISP来说,如果能够了解噪声模型的数学分布将会有助于我们设计对应的降噪算法。在ISP的pipeline中raw域的降噪非常关键,不仅因为他的位置比较靠前,而且此时的噪声分布可以更好的模型化,能够比较好的针对该模型设计降噪的算法。Raw data是图像传感器生成的图像数据,因此有必要了解图像传感器的噪声模型。
一、CMOS噪声模型
对于单个像素点而言,其电子来自于两个方面,其一是光子打在感光部分,发生光电转换,产生的电荷数量与时间和光强度成正比,另外一个方面是则是电路的热效应激发电子迁移,上述的两个过程都可以看作对电子的计数过程(counting process),且该过程可以用泊松过程(poisson process)来进行建模;在单次拍照过程中,电荷完成积累之后,放大器从电容器读出电压,进行模拟放大,在读取电压的过程中由于电压的波动和读出电路,这个过程引入了读取噪声,该噪声服从高斯分布;模拟的电压信号通过模数转换器(analog digital converter,ADC)转换成数字信号,于是便得到了raw data,ADC转换的过程引入模数转换噪声,这个噪声服从高斯分布;从上面的描述来看,在数学模型上的raw图像的噪声主要包含泊松噪声和高斯噪声两类。
具体的:
1.1光电转换噪声:光电转换过程中,得到的电信号主要是转换效率α和时间t的函数,服从泊松分布。
1.2热噪声:该噪声由于传感器散热等原因激发电子,累积到电容,它是时间t和温度D的函数,服从泊松分布。
1.3读出噪声:在模拟放大器读取电压之前和读取电压之后,电压都存在一个随机的震动,这个过程我们采用一个加性高斯噪声来建模。
1.4量化噪声:在ADC做数模转换的过程中引入量化噪声,我们也可以用一个高斯分布来描述。
通过数学公式的推导和近似,可以得到噪声和信号的关系式:
其中E(I)为评估的信号,g为放大器的增益值,为读出噪声和量化噪声的和,
为总体的噪声。因此该噪声的数学模型是一个服从高斯-泊松的分布。
二、噪声模型标定和应用
由上面的公式可知,只要求得公式中的g和σ2add即可知道某个增益下的噪声模型的近似分布。大致步骤如下:
1.在标准光源下,将相机对准色卡或者灰阶卡,并准确曝光;
2.获取当前增益下的raw data;
3.计算每个灰阶对应的均值和方差,拟合当前增益下的斜率和截距;
4.调整增益,重复1-3,至少得到两组不同增益下的斜率和截距,更具获取的不同增益下的斜率和截距,拟合出参数曲线,如下图所示。
参数拟合完毕之后,则可以根据该模型来设计降噪算法。
例如,常用的抑制高斯-泊松分布的算法可以是加权平均的方式,在这种方式下,可通过提前标定的噪声模型来确定噪声阈值:
并根据噪声阈值和像素差,经过映射后进一步确定权重参数的大小,当差值小于阈值时可认为是图像的纹理或是图像信号,给与较大的权重,反之,给与较小的权重。