1、去噪概述
去噪（Noise Removal），首先要认识噪声类型和形成，然后结合噪声特点进行去噪。 首先噪声类型如下表：
| 噪声常见名称 | 分布类型 | 形成原因 | 属性 | 去噪方法 |
|---|---|---|---|---|
| 散粒噪声 | 泊松（possion）分布 | 环境亮度波动 | 加性 | BayerNR |
| 椒盐噪声 | 随机 | cmos/ccd工艺 | 加性 | DPC+BNR |
| 高斯噪声（实际为综合噪声） | 高斯分布 | 高斯噪声的综合 | 加性 | BNR |
| 暗噪声 | 高斯 | 场效应管内热电流（温度相关） | 加性 | BLC |
| 热噪声 | 高斯 | 电子布朗运动 | 加性 | BNR |
| 量化噪声 | 转换精度 | ADC设计规格 | 加性 | BNR |
| 乘性噪声 | 随机 | AMP、传输、环境波动 | 乘性 | rgbNR |
表中总结了常见的大部分噪声类型和对应去噪方法，可以看到去噪分为：BayerNR和RgbNR，RAW图像没经过Demosaic，特点是保留了图像的最原始的颜色模型和纹理细节，而且数据量相对RGB较小，此时去噪方法应该考虑对颜色模型和细节的保留，因此去噪强度一般留有余地；如果BNR做的很好，RgbNR为什么还有存在的必要，因为后续的RGB域处理通常会做增强，Gamma、Sharpen、LDCI，增强的同时一般也会增强噪声，所以一般需要RgbNR。
2、BNR去噪算法
大部分能用在rgb域的去噪算法都可以用在Bayer域，去噪算法原理没有太大变化，一般Bayer去噪在各个通道单独处理，考虑颜色和纹理，有些算法会结合多通道的规律做优化。
大部分能用在rgb域的去噪算法都可以用在Bayer域，去噪算法原理没有太大变化，一般Bayer去噪在各个通道单独处理，考虑颜色和纹理，有些算法会结合多通道的规律做优化。
常见算法分类
- 空域算法
均值滤波、中值滤波、高斯滤波、双边滤波、NLM
- 变换域算法
频域：低通滤波、高通滤波、带通滤波
Wavelet：基于小波系数阈值、基于系数相关性等
DCT(离散余弦)变换等
- 时域算法
一般为常规算法结合多帧匹配，前景和背景判断、动静判决
- 结合算法
类似BM3D去噪算，空域和Wavelet的结合