『壹』 ISP演算法——BNR
ISP演算法中的雜訊抑制是提高圖像質量的關鍵步驟。在RAW圖處理中，雜訊模型通常用高斯-泊松模型描述，但在經過一系列線性和非線性處理後，雜訊模型變得復雜，難以通過模型降低。這導致了雜訊分布不均勻，尤其是當不同區域的增益值變化時，這種不均勻性更加明顯。去馬賽克演算法對雜訊模型的影響也各不相同，且pipeline中經過的Gamma，CCM，AWB等變換使得雜訊模型更加復雜。因此，直接在RAW上抑制雜訊，使其保持在一個合理范圍內，成為了理想的選擇。
本文主要介紹三種RAW域的降噪演算法，其中兩種基於PCA（主成分分析）方式，另一種基於HVS（人眼視覺系統）方式進行降噪。PCA降噪的理論基礎是雜訊是均勻分布的，而圖像的有用信息主要分布在主成分上。通過PCA降維，雜訊隨著維度的減少而損失，從而提升信噪比（SNR）。演算法首先選擇一個較大的訓練塊，然後從中抽取特徵塊，通過計算列向量與中心向量的曼哈頓距離進行排序，選取相似的數據進行PCA分析。處理後的數據進行降維，並通過反PCA變換達到降噪效果。在PCA前通過小波分析得到雜訊模型的方差，用於分析雜訊特性。具體實現和代碼可參考原文作者提供的配套代碼。
另一種演算法在實驗中使用，但內存需求較大，實際效果還需進一步驗證。其主要思路是選擇四個不同的起始點，對四種數據進行PCA降噪，然後對四張RAW圖進行平均得到最終的RAW圖。這提供了一種降噪思路，但實際應用還需考慮內存和計算成本。
第三種演算法結合HVS特性進行降噪，通過像素值的差作為判斷依據，通過幾個模塊進行降噪。首先通過像素值的差來判斷雜訊變化趨勢，以及與人眼亮度敏感度的關系，定義降噪力度與亮度變化的關系曲線。對於紋理區域，根據像素差異與預設閾值的比較來判斷是否為平坦區，對平坦區給予更多降噪力度，而對紋理區則犧牲部分細節。權重計算則基於周圍像素與中心像素的差值，通過分段線性方式為每個像素分配權重，完成濾波與歸一化，得到最終降噪後的像素值。
總的來說，這三種降噪演算法各有特點，基於不同的理論基礎和應用場景，為ISP演算法中的雜訊抑制提供了多樣化的解決方案。具體實現和效果評估可通過參考原文代碼和實驗數據進行深入探索。