‘壹’ ISP算法——BNR
ISP算法中的噪声抑制是提高图像质量的关键步骤。在RAW图处理中，噪声模型通常用高斯-泊松模型描述，但在经过一系列线性和非线性处理后，噪声模型变得复杂，难以通过模型降低。这导致了噪声分布不均匀，尤其是当不同区域的增益值变化时，这种不均匀性更加明显。去马赛克算法对噪声模型的影响也各不相同，且pipeline中经过的Gamma，CCM，AWB等变换使得噪声模型更加复杂。因此，直接在RAW上抑制噪声，使其保持在一个合理范围内，成为了理想的选择。
本文主要介绍三种RAW域的降噪算法，其中两种基于PCA（主成分分析）方式，另一种基于HVS（人眼视觉系统）方式进行降噪。PCA降噪的理论基础是噪声是均匀分布的，而图像的有用信息主要分布在主成分上。通过PCA降维，噪声随着维度的减少而损失，从而提升信噪比（SNR）。算法首先选择一个较大的训练块，然后从中抽取特征块，通过计算列向量与中心向量的曼哈顿距离进行排序，选取相似的数据进行PCA分析。处理后的数据进行降维，并通过反PCA变换达到降噪效果。在PCA前通过小波分析得到噪声模型的方差，用于分析噪声特性。具体实现和代码可参考原文作者提供的配套代码。
另一种算法在实验中使用，但内存需求较大，实际效果还需进一步验证。其主要思路是选择四个不同的起始点，对四种数据进行PCA降噪，然后对四张RAW图进行平均得到最终的RAW图。这提供了一种降噪思路，但实际应用还需考虑内存和计算成本。
第三种算法结合HVS特性进行降噪，通过像素值的差作为判断依据，通过几个模块进行降噪。首先通过像素值的差来判断噪声变化趋势，以及与人眼亮度敏感度的关系，定义降噪力度与亮度变化的关系曲线。对于纹理区域，根据像素差异与预设阈值的比较来判断是否为平坦区，对平坦区给予更多降噪力度，而对纹理区则牺牲部分细节。权重计算则基于周围像素与中心像素的差值，通过分段线性方式为每个像素分配权重，完成滤波与归一化，得到最终降噪后的像素值。
总的来说，这三种降噪算法各有特点，基于不同的理论基础和应用场景，为ISP算法中的噪声抑制提供了多样化的解决方案。具体实现和效果评估可通过参考原文代码和实验数据进行深入探索。