持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第14天，点击查看活动详情
在图像中存在着两种噪声：信号相关噪声，信号不相关噪声。 平滑上升的曲线是随信号均值上升的，而毛刺是不随信号均值增大的。 数学上把这两种噪声用泊松分布模型和高斯分布模型来描述： y = α Pi + ni, pi ~ P(x), Ni ~ N(0,σ 2 )， y 是总噪声，α是量化参数，Pi 是泊松噪声，Ni 是高斯噪声，x 是信号。 Pi 是信号相关的，Ni 是信号不相关的。 以上证明了噪声模型的数学实现性，真正应用的噪声模型比上述基本模型要复杂一些。 有了噪声的数学模型，就可以用统计学的方法，针对这两种不同的噪声模型进行处理。 具体的过程如下： 1.先得到一个 sensor 的噪声 profile(标准差 对 亮度）.2. 利用之前说的泊松-高斯模型做 curve fitting.RGB 三个通道有三个不同的响应，三个不同的 fitting 曲线。 3. Variance Stabilization.在噪声建模的论文中都用这个词 Stabilization--稳定化。实际上我的理解就是把噪 声对亮度做‘归一化’。因为在现在的信号处理方法中，信号依赖性的噪声处理起来 非常不便。所以需要把噪声对亮度做归一化。这样就需要根据前边的 fitting curve 产生 conversion function curve。4.把 conversion function curve 作用到原始信号就会得到噪声对 intensity 归一化的 信号.5. 然 后 ， 就 可 以 用 常 用 的 去 噪 方 法 ， 比 如 wiener filter and dct, bm3d, wavelet-based 方法, nlmeans 进行去噪了。 6. 做完去噪，再做反变换，就可以恢复成原始的信号。这个 Alessandro Foi 是芬兰 Tampere 大学研究图像去噪和噪声建模的教授，他的文章谈到的方法 很多都已经在手机 camera 中得到了实际的应用，具有很高的参考价值。
