ISP--- RAW 图像从传感器噪声模型到快门时序与频闪效应

理想的光电转换链路：

Photon→e−→V→ADC→DN\text{Photon} \rightarrow e^- \rightarrow V \rightarrow \text{ADC} \rightarrow \text{DN}Photon→e−→V→ADC→DN

但在真实成像系统中，RAW 图像的数值永远无法严格等于某个确定的理想值：即使固定相机、静止场景、稳定照明，同一像素连续拍摄的数字值仍会随机波动；即使均匀照射整个传感器面阵，不同像素的平均响应也存在固定差异；当目标运动、光源频闪或使用滚动快门时，图像还会出现几何畸变与亮度条纹。

理解真实 RAW 图像的形成，需要在理想信号链的基础上，新增两个维度：

随机性+时间\boxed{ \text{随机性} + \text{时间} }随机性+时间

随机性维度：产生散粒噪声（Shot Noise）、读出噪声（Read Noise）、暗噪声（Dark Noise）、暗信号非均匀性（DSNU）、光响应非均匀性（PRNU）等现象；
时间维度：决定全局快门（Global Shutter）、滚动快门（Rolling Shutter）、全局复位释放（GRR）以及 LED 条纹（Banding）的形成机制。

本文可通过两条链路串联：

噪声链路：Photon→Shot Noise→Read/Dark Noise→Temporal Noise→DSNU/PRNU→Poisson-Gaussian 模型\text{Photon} \rightarrow \text{Shot Noise} \rightarrow \text{Read/Dark Noise} \rightarrow \text{Temporal Noise} \rightarrow \text{DSNU/PRNU} \rightarrow \text{Poisson-Gaussian 模型}Photon→Shot Noise→Read/Dark Noise→Temporal Noise→DSNU/PRNU→Poisson-Gaussian 模型
时序链路：Exposure Window→Row Timing→Rolling Shutter→LED PWM→Banding\text{Exposure Window} \rightarrow \text{Row Timing} \rightarrow \text{Rolling Shutter} \rightarrow \text{LED PWM} \rightarrow \text{Banding}Exposure Window→Row Timing→Rolling Shutter→LED PWM→Banding

一、传感器噪声模型

相机噪声并非简单地在真实图像上叠加固定强度的高斯随机数，真实 RAW 噪声与信号强度、曝光时间、温度、模拟增益、读出模式乃至像素位置均强相关。EMVA 1288 标准定义了线性图像传感器的完整噪声模型，是目前工业界最权威的量化依据。

1.1 散粒噪声（Shot Noise）：光电测量的物理极限

光子到达传感器、光电子产生的过程是随机独立事件，服从泊松统计。设某像素在单次曝光中产生的平均光电子数为 μe\mu_eμe，则实际光电子数 NeN_eNe 满足：

Ne∼Poisson⁡(μe)N_e \sim \operatorname{Poisson}(\mu_e)Ne∼Poisson(μe)

泊松分布的性质是方差等于均值 ：

Var⁡(Ne)=μe\operatorname{Var}(N_e) = \mu_eVar(Ne)=μe

因此散粒噪声的标准差为：

σshot=μe\sigma_{\mathrm{shot}} = \sqrt{\mu_e}σshot=μe

光越强，散粒噪声的绝对值越大，但相对噪声越小。

例如：平均 100 个光电子对应散粒噪声 10 e⁻，SNR 为 10；平均 10000 个光电子对应散粒噪声 100 e⁻，SNR 提升至 100。

散粒噪声并非传感器制造缺陷，而是光子与电子的量子统计本性决定的物理极限，无法通过工艺升级完全消除。

1.2 读出噪声（Read Noise）：读出链路的随机扰动

光电子从像素读出到最终数字化的过程中，需经过源极跟随器、相关双采样（CDS）、列放大器、ADC 等电路环节，这些电路的热噪声、复位噪声等会引入随机扰动。工程上通常将整个读出链路的综合噪声折算到传感器输入端，单位为电子当量 e−e^-e−，记为 σread,e\sigma_{\mathrm{read},e}σread,e。

与散粒噪声不同，读出噪声在固定相机模式与增益下，可一阶近似为与信号强度无关的噪声基底。实际 CMOS 尤其是 sCMOS 传感器中，各像素的读出噪声存在空间差异，因此量化评估时采用 RMS（均方根）值比单点中位数更具统计意义。

1.3 暗电流与暗噪声（Dark Current / Dark Noise）：热激发的固有噪声

即使完全遮光，半导体像素内部仍会因热激发产生电子，称为暗电流 ，单位为 e−/(pixel⋅s)e^-/(pixel\cdot s)e−/(pixel⋅s)，记为 IdarkI_{\mathrm{dark}}Idark。曝光时间 texpt_{\mathrm{exp}}texp 内产生的平均暗电子数为：

μdark=Idark⋅texp\mu_{\mathrm{dark}} = I_{\mathrm{dark}} \cdot t_{\mathrm{exp}}μdark=Idark⋅texp

暗电子的产生同样是随机离散事件，服从泊松分布，因此暗噪声的标准差为：

σdark=Idark⋅texp\sigma_{\mathrm{dark}} = \sqrt{I_{\mathrm{dark}} \cdot t_{\mathrm{exp}}}σdark=Idark⋅texp

暗电流（Dark Current）：平均产生的暗电子数量，是可通过暗场减法（Dark Frame Subtraction）去除的平均偏置；

暗噪声（Dark Noise）：暗电子数量的随机波动，是无法通过后期减法消除的随机性分量。

暗电流与温度高度相关，但"温度每升高 X℃ 暗电流翻倍"仅为部分传感器的经验规律，现代 CMOS 传感器的温度行为更为复杂，可靠的评估需基于实测。EMVA 1288 标准规定了多温度点暗电流的标准化测试方法，要求至少覆盖传感器工作温度范围并设置 6 个等间隔温度点。

1.4 量化噪声（Quantization Noise）：数字离散化的误差

连续模拟电压经 ADC 映射为有限离散数字码（DN）的过程会引入量化误差。若量化步长为 Δ\DeltaΔ，理想量化误差在 $-Δ/2,+Δ/2$ $-\\Delta/2, +\\Delta/2$ $-Δ/2,+Δ/2$ 区间均匀分布，其方差为：

σq2=Δ212\sigma_q^2 = \frac{\Delta^2}{12}σq2=12Δ2

以 1 DN 为量化步长时：

σq2=112 DN2\sigma_q^2 = \frac{1}{12}\ \mathrm{DN}^2σq2=121 DN2

1.5 总噪声的合成规则：方差相加而非标准差相加

由于散粒噪声、读出噪声、暗噪声、量化噪声为相互独立的随机过程，总噪声需按方差平方和 合成，而非直接将标准差相加：

σtotal,e2=σshot2+σread2+σdark2\sigma_{\mathrm{total},e}^2 = \sigma_{\mathrm{shot}}^2 + \sigma_{\mathrm{read}}^2 + \sigma_{\mathrm{dark}}^2σtotal,e2=σshot2+σread2+σdark2

转换到数字域（系统增益为 KKK，单位 DN/e−\mathrm{DN}/e^-DN/e−）：

σtotal,DN2=K2(μe+σread,e2+σdark,e2)+σq2\sigma_{\mathrm{total,DN}}^2 = K^2 \left( \mu_e + \sigma_{\mathrm{read},e}^2 + \sigma_{\mathrm{dark},e}^2 \right) + \sigma_q^2σtotal,DN2=K2(μe+σread,e2+σdark,e2)+σq2

二、时间噪声与空间非均匀性：FPN、DSNU 和 PRNU 的本质区别

前述噪声回答了"同一个像素多次拍摄为什么不同"，属于时间噪声（Temporal Noise） ；而 CMOS 传感器还存在另一类固定在空间位置上的响应差异，即空间非均匀性（Spatial Nonuniformity）。

2.1 时间噪声（Temporal Noise）

固定相机、固定曝光、固定照明条件下，同一像素连续多帧数值的随机波动即为时间噪声。数学上，对 N 帧图像取平均：

Iˉ(x,y)=1N∑k=1NIk(x,y)\bar I(x,y) = \frac{1}{N} \sum_{k=1}^{N}I_k(x,y)Iˉ(x,y)=N1k=1∑NIk(x,y)

时间方差定义为：

σt2(x,y)=1N−1∑k=1N $Ik(x,y)-Iˉ(x,y)$ 2\sigma_t^2(x,y) = \frac{1}{N-1} \sum_{k=1}^{N} $I_k(x,y)-\\bar I(x,y)$ ^2σt2(x,y)=N−11k=1∑N $Ik(x,y)-Iˉ(x,y)$ 2

散粒噪声、读出噪声、暗噪声、量化噪声均贡献于时间噪声。

2.2 空间非均匀性：DSNU 与 PRNU

将"固定图案噪声（Fixed Pattern Noise, FPN）"等同于空间非均匀性并不严谨------它并非随时间变化的噪声，而是不同像素/读出通道间的固定响应差异

对于线性传感器，单个像素的响应可表示为：

yi=bi+KiNe+niy_i = b_i + K_i N_e + n_iyi=bi+KiNe+ni

其中 bib_ibi（暗偏置）和 KiK_iKi（响应增益）的像素间差异，对应两类最基本的空间非均匀性。

（1）暗信号非均匀性 DSNU（Dark Signal Non-Uniformity）

描述像素暗偏置 bib_ibi 的空间差异，是加性空间误差 。完全遮光时，即使光电子数为 0，不同像素的输出也存在固定偏移：

bi=b+dib_i = b + d_ibi=b+di

其中 did_idi 为单个像素相对于平均暗电平的偏移量。DSNU 不随场景亮度变化，始终叠加在信号上。

（2）光响应非均匀性 PRNU（Photo Response Non-Uniformity）

描述像素响应增益 KiK_iKi 的空间差异，是乘性空间误差 。即使所有像素接收完全相同的曝光，输出也会存在百分比差异：

Ki=K(1+pi)K_i = K(1+p_i)Ki=K(1+pi)

因此信号输出为：

Si=(1+pi)μSS_i = (1+p_i)\mu_SSi=(1+pi)μS

PRNU 的标准差与信号强度成正比：

σPRNU∝μS\sigma_{\mathrm{PRNU}} \propto \mu_SσPRNU∝μS

亮度区间与主导误差：

低照度：读出噪声、DSNU 占主导；

中等亮度：散粒噪声成为主要随机噪声；

高信号区间：PRNU 成为重要的空间误差来源。

2.3 时间噪声与空间非均匀性的分离方法

（1）双帧差分法测时间噪声

单张暗场图的空间波动同时包含读出噪声、DSNU、热像素、行列偏移等分量，无法直接等效为读出噪声。

采用相同条件下拍摄的两帧图像 I1,I2I_1, I_2I1,I2 做差分：

D=I1−I2D = I_1 - I_2D=I1−I2

固定的像素偏置会相互抵消：

(bi+n1)−(bi+n2)=n1−n2(b_i+n_1) - (b_i+n_2) = n_1 - n_2(bi+n1)−(bi+n2)=n1−n2

若两帧时间噪声独立且方差相同，则：

Var⁡(D)=2σt2\operatorname{Var}(D) = 2\sigma_t^2Var(D)=2σt2

因此时间噪声方差为：

σt2=Var⁡(I1−I2)2\sigma_t^2 = \frac{\operatorname{Var}(I_1-I_2)}{2}σt2=2Var(I1−I2)

实际计算需修正两帧全局均值的轻微漂移，避免光源波动等公共模式干扰估计结果。这也是 EMVA 1288 标准中时间噪声的标准测量方法。

（2）多帧平均法测空间非均匀性

对大量帧取平均时，随机时间噪声会随帧数增加而衰减（σavg=σ/N\sigma_{\mathrm{avg}} = \sigma/\sqrt{N}σavg=σ/N ），最终保留的主要是固定空间差异 。通常需要 100~500 帧平均才能充分抑制时间噪声，得到准确的空间非均匀性分布。

2.4 行列模式与频谱分析

CMOS 传感器通常采用列并行 ADC、共享行列驱动结构，单个列放大器的偏移会导致整列像素偏移，形成列模式（Column Pattern），同理也会产生行模式（Row Pattern）。

这类结构化空间误差往往比纯随机噪声对视觉效果和后续算法影响更大。空间非均匀性不仅要给出全局标准差，还需通过行列剖面（Profile）和空间频谱（Spectrogram）分析周期性结构，定位电源、时钟、读出架构引入的特征频率。空间方差可进一步分解为像素分量、行分量和列分量，实现更精细的误差溯源。

三、Poisson-Gaussian 模型：为什么 RAW 降噪不能假设"整图噪声一致"

将前述噪声模型整合，可得到 RAW 图像处理中的异方差噪声模型，即 Poisson-Gaussian 噪声模型。

3.1 噪声方差与信号强度的线性关系

数字域散粒噪声方差为：

σshot,DN2=K2μe\sigma_{\mathrm{shot,DN}}^2 = K^2 \mu_eσshot,DN2=K2μe

而有效信号 S=KμeS = K\mu_eS=Kμe，即 μe=S/K\mu_e = S/Kμe=S/K，代入得：

σshot,DN2=KS\sigma_{\mathrm{shot,DN}}^2 = KSσshot,DN2=KS

叠加与信号无关的读出噪声、量化噪声基底 σ02\sigma_0^2σ02 后：

σ2(S)≈KS+σ02\sigma^2(S) \approx KS + \sigma_0^2σ2(S)≈KS+σ02

即噪声方差与平均信号呈线性关系：

σ2(x)=ax+b\sigma^2(x) = ax + bσ2(x)=ax+b

这是光子转移法（Photon Transfer Method） 的方程：通过绘制方差-均值曲线，其斜率可用于估计系统增益 KKK，截距对应暗噪声基底，是传感器参数标定的核心方法。

3.2 异方差性：不同亮度区间噪声特性不同

RAW 图像的噪声是异方差（Heteroscedastic） 的，即噪声方差随像素值变化，并非整图恒定的 σ2\sigma^2σ2。

直观的分区特性：

暗部：读出噪声占比极高，噪声近似高斯加性；
中间亮度：散粒噪声逐渐主导，噪声随信号平方根增长；
高亮区：散粒噪声绝对值最大，同时 PRNU 乘性误差逐渐显现。

接近饱和时，线性模型失效，信号进入非线性区或被限幅，噪声特性进一步变化。因此完整的噪声模型至少包含：

Dark→Linear→Shot-noise dominated→Near Saturation\text{Dark} \rightarrow \text{Linear} \rightarrow \text{Shot-noise dominated} \rightarrow \text{Near Saturation}Dark→Linear→Shot-noise dominated→Near Saturation

四个工作区间。

3.3 对 RAW 降噪算法的启示

若降噪算法简单假设 Y=X+N(0,σ2)Y=X+\mathcal N(0,\sigma^2)Y=X+N(0,σ2) 且整图使用固定 σ\sigmaσ，本质上忽略了噪声的信号依赖性。专业 RAW 降噪通常会先估计噪声剖面（Noise Profile）(a,b)(a,b)(a,b)，再根据像素信号水平实时计算当前噪声强度：

σ(x)=ax+b\sigma(x) = \sqrt{ax+b}σ(x)=ax+b

例如同一张 RAW 中：

10 DN 区域：σ≈2 DN\sigma \approx 2\ \mathrm{DN}σ≈2 DN
500 DN 区域：σ≈7 DN\sigma \approx 7\ \mathrm{DN}σ≈7 DN
3000 DN 区域：σ≈18 DN\sigma \approx 18\ \mathrm{DN}σ≈18 DN

不同区域显然不应使用相同的滤波强度。

3.4 Bayer 通道的噪声差异

Bayer RAW 的 R、Gr、Gb、B 四个通道在量子效率、模拟增益、暗电平、光谱响应上均存在差异，因此实际噪声剖面需分通道建立。尤其在弱光下，白平衡增益会进一步放大蓝通道的噪声，导致蓝通道明显比绿通道"脏"，这一现象根源在于光谱响应、光源能量分布与白平衡链路的共同作用，而非降噪算法本身的缺陷。

四、快门：每个像素的时间观测窗口

曝光的本质是在时间窗口内对光强积分：

Y∝∫t0t0+texpL(t) dtY \propto \int_{t_0}^{t_0+t_{\mathrm{exp}}} L(t)\,dtY∝∫t0t0+texpL(t)dt

不同快门模式的区别，在于整张图像中所有像素的积分时间窗口是否对齐。

4.1 全局快门（Global Shutter）：统一的曝光窗口

全局快门模式下，所有像素的曝光时间窗口完全一致：

复制代码

时间 →
Row 0   |==========曝光==========|
Row 1   |==========曝光==========|
Row 2   |==========曝光==========|
Row 3   |==========曝光==========|

所有像素对应同一时间区间 t∈ $t0,t0+texp$ t\in $t_0, t_0+t_{\\mathrm{exp}}$ t∈ $t0,t0+texp$ ，因此运动物体不会产生空间畸变，非常适合高速传送带、机械臂视觉、旋转零件检测、PIV、三维视觉同步、脉冲光源等场景 $4$ 。

全局曝光 ≠ 全局读出。

所有像素可同时完成曝光，但数据仍可逐行、逐列或通过并行 ADC 读出。重点是曝光时间窗口一致，而非数据同时从接口输出。现代工业全局快门 CMOS（如索尼 Pregius 技术）通常在像素内或存储节点中保存曝光结果，再进行后续读取，兼顾全局曝光与高速读出。

4.2 滚动快门（Rolling Shutter）：逐行偏移的时间切片

滚动快门模式下，每行的曝光时长 texpt_{\mathrm{exp}}texp 相同，但曝光起始时间逐行偏移。设第 0 行起始时刻为 t0t_0t0，行间隔为 trowt_{\mathrm{row}}trow，则第 rrr 行的曝光起始时刻为：

tr=t0+r⋅trowt_r = t_0 + r \cdot t_{\mathrm{row}}tr=t0+r⋅trow

复制代码

时间 →
Row 0   |==========曝光==========|
Row 1      |==========曝光==========|
Row 2         |==========曝光==========|
Row 3            |==========曝光==========|

图像首行与末行的时间偏移量（帧倾斜）约为：

tskew≈(H−1)trowt_{\mathrm{skew}} \approx (H-1)t_{\mathrm{row}}tskew≈(H−1)trow

一张"照片"本质上是不同时间切片拼接成的二维图像，这是滚动快门产生空间畸变和行间时差的根源 $5$ 。

4.3 滚动快门畸变 ≠ 运动模糊

运动模糊由单像素曝光时间 texpt_{\mathrm{exp}}texp 决定，像面运动速度为 vimagev_{\mathrm{image}}vimage 时，模糊长度：

Lblur=vimage⋅texpL_{\mathrm{blur}} = v_{\mathrm{image}} \cdot t_{\mathrm{exp}}Lblur=vimage⋅texp

而滚动快门几何错位由帧倾斜时间 tskewt_{\mathrm{skew}}tskew 决定：

ΔxRS≈vimage⋅tskew\Delta x_{\mathrm{RS}} \approx v_{\mathrm{image}} \cdot t_{\mathrm{skew}}ΔxRS≈vimage⋅tskew

完全可能出现曝光时间极短（运动模糊很小），但帧倾斜很大（几何畸变明显）的情况。例如 texp=100 μst_{\mathrm{exp}}=100\ \mu\mathrm{s}texp=100 μs 时运动模糊已很小，但若 tskew=10 mst_{\mathrm{skew}}=10\ \mathrm{ms}tskew=10 ms，首末行时间差仍会导致运动物体明显变形。

对于工业视觉中的机器人手眼标定、VIO、在线尺寸检测等场景，帧倾斜带来的测量误差往往比运动模糊更关键，需重点关注行时间（Line Time）、读出时间（Readout Time）和帧倾斜（Frame Skew）参数，而非仅关注曝光时间。

4.4 全局复位释放（GRR）：统一开始 + 逐行结束

GRR（Global Reset Release）模式的特点是所有行同时开始曝光，但逐行结束曝光：

复制代码

时间 →
Row 0   |====曝光====|
Row 1   |======曝光======|
Row 2   |========曝光========|
Row 3   |==========曝光==========|

不同行的实际曝光时长不同，恒定光源下会形成从上到下的亮度梯度。GRR 的价值主要体现在与脉冲照明配合：若在所有行共同的曝光窗口内开启极短闪光，有效曝光时间由闪光宽度决定，可近似实现全局曝光效果。因此 GRR 可理解为"统一起始 + 逐行结束 + 依赖同步闪光实现有效全局曝光"，不能在所有场景下等同于真正的全局快门。

五、LED 频闪与 Banding 效应：为什么稳定的灯光会拍出条纹

人眼感觉恒定的 LED 光源，实际亮度可能随 PWM 驱动、市电纹波等因素周期性波动，当光源周期与相机曝光时序不匹配时，就会产生闪烁或条纹。

5.1 全局快门下的帧间闪烁

全局快门所有像素积分窗口相同，整帧图像接收的 LED 能量一致。若曝光时间短于 LED 周期，整帧会随 LED 相位呈现整体偏亮或偏暗，形成帧间闪烁（Frame-to-frame Flicker）。

5.2 滚动快门下的 Banding 条纹

滚动快门每行的积分时间窗口不同，当 LED 周期性亮灭时，不同行会积分到不同的光能量：

复制代码

LED       ON  OFF  ON  OFF  ON  OFF
Row 0      |------|
Row 1        |------|
Row 2          |------|
Row 3            |------|

最终图像形成水平明暗条纹，即 Banding（带状伪影）。

Banding 的本质是周期光源 + 滚动快门逐行采样产生的时域混叠，滚动快门充当了"空间-时间转换器"，将时间上的亮度变化映射为图像的空间坐标差异。

简单情况下，条纹的空间周期（行数）满足：

Prows≈TLtrowP_{\mathrm{rows}} \approx \frac{T_L}{t_{\mathrm{row}}}Prows≈trowTL

其中 TLT_LTL 为光源周期，trowt_{\mathrm{row}}trow 为行读出时间。例如 LED 周期 1ms、行时间 10μs 时，条纹周期约为 100 行。

5.3 常见的误区与解决思路

"市电 50Hz 时曝光设为 1/50s 就不会闪"是过于简化的结论：市电全波整流后灯具功率纹波常为 100Hz，现代 LED 驱动更可能引入 500Hz、1kHz、20kHz 等多种 PWM 频率。

解决 LED Banding 的优先级原则：

稳定光源>硬件同步>合理曝光>软件补偿\boxed{ \text{稳定光源} > \text{硬件同步} > \text{合理曝光} > \text{软件补偿} }稳定光源>硬件同步>合理曝光>软件补偿

工业视觉中最可靠的方案是硬件触发同步：相机触发信号、曝光窗口、LED 脉冲形成严格时序配合，用极短且可重复的 LED 脉冲控制成像，既能解决频闪问题，又能将运动模糊压缩到脉冲宽度附近，比单纯拉长曝光时间更可靠。索尼车载图像传感器的 LED 闪烁抑制（LFM）技术，也通过特殊像素设计保证长曝光下不饱和，实现对 LED 光源的完整周期采样，从硬件层面消除带状伪影。

六、RAW 图像异常的排查路径

面对"有问题"的 RAW 图像，不应笼统判断"噪声太大"，而应按以下路径逐层定位根源：

判断是否随帧随机变化
- 是 → 时间噪声（Temporal Noise）：进一步拆解为散粒噪声、读出噪声、暗噪声、量化噪声；
- 否 → 空间非均匀性（Spatial Nonuniformity）：进一步排查 DSNU、PRNU、行列模式、缺陷像素。
判断是否与目标运动相关
- 是 → 曝光与滚动快门效应：区分运动模糊（Lblur=vtexpL_{\mathrm{blur}}=vt_{\mathrm{exp}}Lblur=vtexp）与滚动快门畸变（ΔxRS=vtskew\Delta x_{\mathrm{RS}}=vt_{\mathrm{skew}}ΔxRS=vtskew）。
判断是否存在规则水平条纹
- 是 → 频闪/带状伪影（Flicker / Banding）：重点排查光源周期 KaTeX parse error: Can't use function '$' in math mode at position 1: \̲(̲L(t)$、曝光时间 texpt_{\mathrm{exp}}texp、行时间 trowt_{\mathrm{row}}trow、PWM 频率 fPWMf_{\mathrm{PWM}}fPWM。

总结

全文可浓缩为四个方程，前两个解释 RAW 的噪声来源，后两个解释时序畸变与条纹的成因：

散粒噪声本质：σshot2=μe\displaystyle \sigma_{\mathrm{shot}}^2 = \mu_eσshot2=μe
Poisson-Gaussian 模型：σRAW2(S)≈KS+σ02\displaystyle \sigma_{\mathrm{RAW}}^2(S) \approx KS + \sigma_0^2σRAW2(S)≈KS+σ02
滚动快门行时序：tr=t0+rtrow\displaystyle t_r = t_0 + rt_{\mathrm{row}}tr=t0+rtrow
行曝光积分：Yr∝∫trtr+texpL(t) dt\displaystyle Y_r \propto \int_{t_r}^{t_r+t_{\mathrm{exp}}} L(t)\,dtYr∝∫trtr+texpL(t)dt

ISP--- RAW 图像 从传感器噪声模型到快门时序与频闪效应

一、传感器噪声模型

1.1 散粒噪声（Shot Noise）：光电测量的物理极限

1.2 读出噪声（Read Noise）：读出链路的随机扰动

1.3 暗电流与暗噪声（Dark Current / Dark Noise）：热激发的固有噪声

1.4 量化噪声（Quantization Noise）：数字离散化的误差

1.5 总噪声的合成规则：方差相加而非标准差相加

二、时间噪声与空间非均匀性：FPN、DSNU 和 PRNU 的本质区别

2.1 时间噪声（Temporal Noise）

2.2 空间非均匀性：DSNU 与 PRNU

（1）暗信号非均匀性 DSNU（Dark Signal Non-Uniformity）

（2）光响应非均匀性 PRNU（Photo Response Non-Uniformity）

2.3 时间噪声与空间非均匀性的分离方法

（1）双帧差分法测时间噪声

（2）多帧平均法测空间非均匀性

2.4 行列模式与频谱分析

三、Poisson-Gaussian 模型：为什么 RAW 降噪不能假设"整图噪声一致"

3.1 噪声方差与信号强度的线性关系

3.2 异方差性：不同亮度区间噪声特性不同

3.3 对 RAW 降噪算法的启示

3.4 Bayer 通道的噪声差异

四、快门：每个像素的时间观测窗口

4.1 全局快门（Global Shutter）：统一的曝光窗口

4.2 滚动快门（Rolling Shutter）：逐行偏移的时间切片

4.3 滚动快门畸变 ≠ 运动模糊

4.4 全局复位释放（GRR）：统一开始 + 逐行结束

五、LED 频闪与 Banding 效应：为什么稳定的灯光会拍出条纹

5.1 全局快门下的帧间闪烁

5.2 滚动快门下的 Banding 条纹

5.3 常见的误区与解决思路

六、RAW 图像异常的排查路径

总结

ISP--- RAW 图像从传感器噪声模型到快门时序与频闪效应