浅谈ISP-图像噪声模型2

上一篇主要介绍了各种噪声模型,这一篇进一步介绍图像噪声相关。

一.光子散粒噪声(泊松噪声)

图像传感器通过将光子捕获到光电二极管中来记录光,最终将其转换为数字信号。在积分时间内,光子在每个光点不是常数。相反,到达成像仪的光子数量的振荡会导致固有的不确定性。因此,即使在恒定和均匀光强的理想情况下,每个光点也可以接收不同数量的光子,但是,平均而言,每个像素的光子数量是相同的。这些振荡可以用泊松分布建模。泊松分布近似于给定时间段内以已知平均速率发生的多个独立事件的概率,并且只有一个参数λ,它表示其均值和方差。

光子以一定的平均速率独立撞击每个光点,因此,光子散粒噪声(PSN)具有泊松统计特性。PSN的方差由积分时间内撞击传感器的光子数的平方根给出:

因此,光子到达率的振荡为√N,根据上面公式,很明显,PSN随着光量(即光子N)的增加而增加。尽管如此,大量光子也会产生更高的SNR,因此PSN可以只有在光线不足的情况下才被视为问题。如果信号很强,则不仅SNR更高,可以最小化PSN的影响,但也可以通过高斯分布近似泊松分布。PSN是传感器记录的量(即光)中固有的,不能完全消除。然而,如果采用更大的像素,则可最大化光子量,即使是在低照的情况下。当然,这会增加传感器的尺寸和成本,因此必须找到合适的权衡。事实上假设两个传感器具有相同的分辨率,但像素大小不同,则像素较大的传感器原则上能够收集更多光子,从而产生更高的分辨率信噪比。我们可以得出结论,在以下情况下,PSN的影响更大:快的快门速度,低光照条件。

二.FPN和Temporal噪声

在FPN 中,术语fix是指这种噪声具有随时间不变的模式。 FPN 有两个主要组成部分,一个在黑暗中,一个在光照下。暗成分称为暗FPN,即使在没有照明的情况下也存在。光照下的FPN 称为 PRNU(Pixel Response Non Uniformity),是由像素对光的敏感度不同引起的。如果图像传感器包含列放大器,则暗FPN 可能会在图像中显示为垂直条纹(列 FPN),这容易被人眼检测到。

另一方面,时域(随机)噪声会随着时间而波动,因此它会出现在不同的帧中,且强度和空间位置不同。时域噪声是在采集过程中成像仪上产生的不同噪声源的总和(例如,光子散粒噪声)。其他时域噪声源包括:

•暗电流噪声:表示在图像传感器表面上产生的温度相关噪声。噪声是由热能释放的电子加上光子撞击成像仪产生的电子之和引入的。

•读出噪声:是传感器读出过程中产生的电子噪声。

•重置噪声:是由复位操作后留在传感器电容器中的残余电子产生的,该操作在新的场景采集发生之前执行。

•量化噪声:由A/D 转换器将光子转换为数字造成的。 将模拟信号转换为一组离散数字值时引入的误差称为量化误差。特别是当数字转换过程的比特深度较小时,量化噪声会显着影响图像质量。

三.亮噪和彩噪

3.1亮噪

亮度噪声在最终RGB图像中显示为中性颗粒。如果不过量,则图像甚至可能受益于这种噪声,因为它有助于整体感觉清晰度,避免卡通效应。在其他情况下,尤其是当像素尺寸非常小,即使在良好的光照条件下,也存在高噪音。pipeline末端的残留亮度噪声不能不加以处理,因为它特别烦人,尤其是在眼睛容易察觉的均匀区域。在RGB域中,亮度信息穿插在红、绿、蓝通道中;为了将亮度与色度信息分开,需要转换为YCbCr 颜色空间。存在将亮度与色度分开的其他色彩空间(例如,L*a*b*)。

浅谈ISP-图像噪声模型2_第1张图片

图1 亮噪

3.2彩噪声

与亮度噪声不同的是,色度噪声是一种低频失真,在最终图像中以大彩色斑点的形式出现,亮度噪声是中性的,随着像素之间的亮度变化而可见。这些斑点通常为淡红色或蓝色,尤其是在低质量图像的黑暗区域(即在弱光或曝光不足的情况下获取)更为明显。色度噪声示例如图2所示。

在高斯噪声模型的假设下,色度噪声的低频特性不允许有效滤波。色度噪声的频率非常低,会产生较大的色块,因此简单的加权平均不能有效地减少颜色噪声。

为了有效地减少这种噪声,必须执行特殊处理。由于色块的尺寸较大,必须使用较大的滤光掩模。

浅谈ISP-图像噪声模型2_第2张图片

图 2 彩噪

你可能感兴趣的:(算法,图像处理,机器学习,大数据)