三言兩語講講 sensor 的雜訊

影象的雜訊**相對複雜，搞清楚影象雜訊的成因對我們進行影象去噪的工作有幫助。因為對於滿足某些數學統計規律的雜訊，那麼逆向去除的時候就變得好辦了。另外，深度學習技術很多也用在影象去噪領域，深度學習依賴資料，明白雜訊的分布特點有利於製作資料集。下面按照 sensor 成像過程簡單講講影象雜訊成因。

還有需要明確的是，對於影象雜訊而言，本質並非是空域的，也就是說並不是該點相對於周邊點顯得突兀，就說該點是噪點。而是該點相對於連續時間內同一位置產生的不同點而言，如果誤差較大，才能稱之為噪點。即，雜訊本質是時域的。

那麼，我們在計算影象某塊區域的時候，有時候會用這塊區域的平坦影象計算該區域的訊雜比，其實也是用了乙個潛在的假設：該平坦區域的各個點可以看做是中心點的連續時間內的集合。

光子打在光敏感測器上經過光電效應產生電子，但是電子的產生是具有誤差的。對於同一強度的光子，產生的電子大小的分布滿足迫松分布的統計。這個誤差帶來的雜訊稱之為散粒雜訊，即 shot noise。

電子轉換成電壓，電壓經模數轉換器後讀出具體數值，在讀數的過程中產生的誤差可以稱之為讀出雜訊，即 read noise。我認為 read noise 廣義來說包含了兩塊，一塊是黑電平（暗電流），另一塊則是滿足高斯分布的雜訊。

這裡簡單的把其他雜訊歸結為一類，因為這類雜訊基本上不滿足統計規律，包括熱雜訊（感測器發熱的產生的電子）、畫素響應不均勻性（畫素點對於光子響應的不均勻性）、量化雜訊（讀出電壓為浮點型，需要轉化為整型）、sensor 的固定雜訊（與 sensor 的工藝相關）等等。

基於以上的分析，做雜訊模型是當前難點，無論對於業界或者學術界而言。但是隨著對於雜訊理解的加深，有利於做些突破性的影象降噪工作。