1、去噪概述
去噪（Noise Removal），首先要認識噪聲類型和形成，然后結合噪聲特點進行去噪。 首先噪聲類型如下表：
| 噪聲常見名稱 | 分布類型 | 形成原因 | 屬性 | 去噪方法 |
|---|---|---|---|---|
| 散粒噪聲 | 泊松（possion）分布 | 環境亮度波動 | 加性 | BayerNR |
| 椒鹽噪聲 | 隨機 | cmos/ccd工藝 | 加性 | DPC+BNR |
| 高斯噪聲（實際為綜合噪聲） | 高斯分布 | 高斯噪聲的綜合 | 加性 | BNR |
| 暗噪聲 | 高斯 | 場效應管內熱電流（溫度相關） | 加性 | BLC |
| 熱噪聲 | 高斯 | 電子布朗運動 | 加性 | BNR |
| 量化噪聲 | 轉換精度 | ADC設計規格 | 加性 | BNR |
| 乘性噪聲 | 隨機 | AMP、傳輸、環境波動 | 乘性 | rgbNR |
表中總結了常見的大部分噪聲類型和對應去噪方法，可以看到去噪分為：BayerNR和RgbNR，RAW圖像沒經過Demosaic，特點是保留了圖像的最原始的顏色模型和紋理細節，而且數據量相對RGB較小，此時去噪方法應該考慮對顏色模型和細節的保留，因此去噪強度一般留有余地；如果BNR做的很好，RgbNR為什么還有存在的必要，因為后續的RGB域處理通常會做增強，Gamma、Sharpen、LDCI，增強的同時一般也會增強噪聲，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，去噪算法原理沒有太大變化，一般Bayer去噪在各個通道單獨處理，考慮顏色和紋理，有些算法會結合多通道的規律做優化。
大部分能用在rgb域的去噪算法都可以用在Bayer域，去噪算法原理沒有太大變化，一般Bayer去噪在各個通道單獨處理，考慮顏色和紋理，有些算法會結合多通道的規律做優化。
常見算法分類
- 空域算法
均值濾波、中值濾波、高斯濾波、雙邊濾波、NLM
- 變換域算法
頻域：低通濾波、高通濾波、帶通濾波
Wavelet：基於小波系數閾值、基於系數相關性等
DCT(離散余弦)變換等
- 時域算法
一般為常規算法結合多幀匹配，前景和背景判斷、動靜判決
- 結合算法
類似BM3D去噪算，空域和Wavelet的結合