跟着卷卷龙一起学 Camera-- 噪声与去噪 02

而 FPN noise 是相关噪声， σfpn =σfpn1 + σfpn2 ； S = S1 + S2； S/σfpn=( S1 + S2)/(σfpn1 + σfpn2); 当 S1=S2，σfpn1 = σfpn2； S/σfpn=S1/σfpn1 ; 多帧平均不会降低 FPN。 通过上图可以看出，经过多帧平均后，噪声的 floor 变成了 FPN。通过多帧平均可以分离 temporal noise 和 FPN，然后用其他信号处理的方法去除 FPN，下 一篇将介绍去噪的 Spacial domain 和 transform domain 的方法。

从‘均值滤波’ 到 ‘BM3D’

讲过了 temporal noise 和 Fix patter noise 的分离，通过多帧平均可以去除掉 temporal noise，并分离出 FPN， 在这篇将介绍如何去除 FPN。 在信号处理教科书中，介绍过很多经典的图像去噪方法，主要的是针对随机噪声的，对 于图像中非随机噪声，比如 sensor 本身的物理缺陷导致的 hot pixel，weak pixel 或是 dead pixel，一般称之为 impulse noise，对于 impulse noise 有单独的处理方法，因为他们不属 于随机噪声。 随机噪声也就是在比图像的真实信号或高或低的不确定变化。如果中间的虚线视作真实信号，红色和蓝色的曲线代表随机噪声叠加后的信号，如果虚 线定义为 0，那么所有随机噪声求和应为 0 ，在统计学上叫零和噪声。由于零和噪声的 这种特点，均值滤波可以降低图像的噪声。浅蓝色的线代表红蓝线求均值以后的信号，波动的幅度明显减小了，也就是 噪声降低了。 教科书里讲图像去噪声，第一个提到的就是均值滤波，在图像处理中，就是当前像素的 值用周围 n 个像素的均值来代替。在实际信号处理中，就是用一个 n x n 的模版 A 对图像进行卷积，比如当前像素就是处在矩阵中心的像素，它的值等于周围所有像素的值包括它自身取均值。 这样的一个基本均值滤波，它可以去掉噪声，但同时也会把图像搞模糊，比如当前的像 素正好是一个图案的边缘，左边是白色的，像素值是 200，右边是黑色的，像素值是 10， 做完均值滤波，（200+200+200+10+10+10+10+10+10）/9 = 74