噪声在ISP中去得越早越好，因为噪声在最开始成像的过程中就引入了，之后只会不断放大。具体而言，噪声产生的位置就是上图中绿色框的区域。
下图可以更加清楚地看到噪声是在何处产生，何处被放大。图片来源https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123510001.pdf
商汤文章：Rethinking Noise Synthesis and Modeling in Raw Denoising用公式噪声，和上图应该是匹配的：
手机镜头，噪声建模，ISP，ISO与analog gain-CSDN博客
泊松分布
从二项分布中推导出来，描述一段时间内的次数，只需要知道”比率“，不用知道次数n和概率p。
散粒噪声
在拍摄的时候光线进入sensor，光的波粒二象性，就可以看作是离散的粒子散落在sensor上，所以每个像素得到的光线是不同的，就有泊松噪声。
泊松分布的特点就是均值和方差相等，均值越大方差越大，分布也就越分散。
所以曝光时间越长，almbda就越大，方差就越大，图像噪声越小。
热/暗噪声
除了光电效应会释放电子，温度升高也会释放更多的电子。温度每增加6度，噪声水平升高一倍。
暗噪声也服从泊松分布。
天文望远镜中，为了避免暗噪声，会降低温度，减少曝光时间，后者提前标定到时候减去暗噪声。
高斯分布
高斯。。。
读出噪声
从传感器读取的过程引入噪声。量尺寸也会有读取噪声。
ADC噪声
ADC噪声包括了量化噪声
仿射噪声模型
两个泊松噪声可以组合在一起，ADC高斯加性噪声在增益之后，所以可以看作是仿射变换。
泊松噪声部分的参数是，因为散粒噪声和暗噪声都和时间相关。这个参数是泊松噪声的均值也是方差。
因为泊松噪声均值和方差的特点，可以看到图像方差是图像均值关于g的线性函数：
光子噪声和信号强度有关。高斯噪声和信号无关。所以信号越强，光子噪声占主导，信号弱时高斯噪声占主导。
亮度高的时候，高斯忽略不计。虽然信号强的时候光子噪声也强，但是还是信号更强，因为算信噪比的时候信号会平方，t平方，而噪声部分只与增益平方，所以信噪比还是会增大的。
亮度低的时候，光子噪声忽略不计。ISO越大，增益g越大，SNR越低。
标定
信号相关噪声标定
方法是线性拟合。当暗噪声被减去后，图像方差仍然是图像均值的线性函数。
增益和ISO强相关。这里的ISO指的是a gain*d gain。固定ISO，测得不同灰度色卡下的噪声方差，将这些离散点画出来，横坐标为灰度，纵坐标为方差，图像方差随图像亮度均值的线性曲线。拟合这一曲线，斜率是增益g，截距是高斯加性噪声。
注意这里的高斯加性噪声是读出噪声和ADC噪声：
使用Stats.linregress( )对色卡均值和方差做线性回归，返回得到斜率和截距。
斜率表示增益g。每个ISO下得到的截距是不同的，斜率也是不同的。斜率k与ISO呈线性关系。对计算出的斜率再和iso线性拟合，得到ISO与k的关系。
信号无关噪声标定
加性噪声是和信号无关的，但是和增益有关。乘一个系数，对应方差变为系数的平方倍，而增益系数与ISO是线性的，所以方差和ISO的关系可以使用二次函数表示，曲线形式为开口向上的二次曲线。标定得到三个数，分别是二次项系数，一次项系数，常数项。
为了得到加性噪声，要使得信号为0，通常使用黑帧的方法。
np.polyfit使用的是最小二乘法进行多项式拟合
lambda
信号相关噪声其实就是散粒噪声，而关键参数就是lambda。lambda和辐射通量，时间，系数a成正比。
在标定高斯加性噪声时，斜率就是g，g=光电转换效率*again，当从干净图像模拟生成泊松噪声时，图像像素值除以g就是lambda。
标定的过程是将ISO和k联系在一起的过程，他们的关系是线性的。每个ISO下得到一个k值，k=k1*ISO+b。
标定blc
黑帧求平均。不同颜色通道的黑电平值是不同的，所以要将raw数据重组为3通道数据，对每个通道求均值，然后再求不同帧之间的均值。
7843
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
