ISP基础（03）：拜尔域去噪BayerNR

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

3、Reference

ISP模块之RAW DATA去噪

一种Bayer图像的去噪方法