本文探讨噪声通道模型在图像处理中的应用，通过实验揭示噪声与信号的关系，介绍泊松分布和高斯分布模型对信号相关和不相关噪声的描述。详细阐述噪声建模过程，包括噪声profile获取、泊松-高斯模型拟合、噪声稳定化及去噪方法（如Wiener滤波、DCT、BM3D等）。最后指出Alessandro Foi的相关研究在手机相机中的实践意义。
本文系微信公众号『大话成像』，知乎专栏『All in Camera』原创文章，转载请注明出处。
上一篇说到bm3d等高级算法可以利用数学方式把信号分解成不同性质的部分，然后根据不同的噪声特点进行去噪。噪声模型则是去噪算法的重要依据。
先看一个实验，拍摄一张Grey Scale Chart:
曝光时间 33ms， ISO 3200，得到如下图像：
图像上有很多噪声，对这个图像做横切，可以得到pixelvalue相对intensity的关系图
继续拍摄至N张照片，将N张照片求平均得到一张照片
求和平均得到的照片
把所有图片的像素值与亮度标在一个图中
中间的实线是图像均值，所有被虚线包围的红色的点，是所有图像的像素值。
按照图解噪声与去噪第一篇里的方法，画出像素标准差对均值的曲线可以得到
从上图可以看出： 1. 噪声随着亮度的增加而增加。 2. 标准差与均值遵循一定的函数关系。
把多组实验的结果叠加可以得到下图：
可以看出在平滑的曲线上多了许多毛刺.
从上面两张图可以看出在图像中存在着两种噪声：信号相关噪声
最低0.47元/天 解锁文章
1300
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
