本文系微信公眾號『大話成像』，知乎專欄『All in Camera』原創(chuàng)文章，轉(zhuǎn)載請注明出處。

上一篇說到bm3d等高級算法可以利用數(shù)學方式把信號分解成不同性質(zhì)的部分，然后根據(jù)不同的噪聲特點進行去噪。

噪聲模型則是去噪算法的重要依據(jù)。

先看一個實驗，拍攝一張Grey Scale Chart:曝光時間 33ms， ISO 3200，得到如下圖像：圖像上有很多噪聲，對這個圖像做橫切，可以得到pixelvalue相對intensity的關系圖繼續(xù)拍攝至N張照片，將N張照片求平均得到一張照片求和平均得到的照片把所有圖片的像素值與亮度標在一個圖中中間的實線是圖像均值，所有被虛線包圍的紅色的點，是所有圖像的像素值。

按照圖解噪聲與去噪第一篇里的方法，畫出像素標準差對均值的曲線可以得到從上圖可以看出： 1. 噪聲隨著亮度的增加而增加。

2. 標準差與均值遵循一定的函數(shù)關系。

把多組實驗的結果疊加可以得到下圖：可以看出在平滑的曲線上多了許多毛刺.從上面兩張圖可以看出在圖像中存在著兩種噪聲：信號相關噪聲，信號不相關噪聲。

平滑上升的曲線是隨信號均值上升的，而毛刺是不隨信號均值增大的。

數(shù)學上把這兩種噪聲用泊松分布模型和高斯分布模型來描述：