噪声：SNR 与 Visual Noise

理解 SNR 与 Visual Noise 之间的区别：Noise 是图像质量评估中的一个重要参数。噪声表现为每个像素的随机信号变化，其来源包括光的物理特性（光子散粒噪声）和传感器的技术限制（暗电流和读出噪声）。低噪声高噪声描述噪声的一个非常常见的方法是将其报告为信噪比（SNR）。要测量成像设备的 SNR，可以遵循 ISO 15739 标准。SNR 越高，图像中的噪声越少。这本可以结束讨论，但不幸的是，SNR 并不能很好地反映一个问题：观察者实际上在图像中看到了多少噪声？我们自 1997 年以来一直在测试数码相机，并长期使用 SNR 作为噪声测量指标。五年多以前，我们发现 SNR 测量结果不再能反映观察者的实际体验。因此，相机可能具有相似的 SNR 值，但噪声的外观却不同。同样，相同的噪声外观也可能导致不同的 SNR 值。为此，我们准备了三个样本图像，1x、2x 和 4x，以说明这个问题：想象这些图像应该是均匀的，但显示出一些噪声。如果您离屏幕很远，会发现所有三张图像的平均值相同，并且看起来均匀。如果您靠近屏幕，则会明显看到图像 4x 中的“噪声”比图像 1x 中更多。

Noise 是图像质量评估中的一个重要参数。噪声表现为每个像素的随机信号变化，其来源包括光的物理特性（光子散粒噪声）和传感器的技术限制（暗电流和读出噪声）。

描述噪声的一个非常常见的方法是将其报告为信噪比（SNR）。要测量成像设备的 SNR，可以遵循 ISO 15739 标准。

SNR 越高，图像中的噪声越少。

这本可以结束讨论，但不幸的是，SNR 并不能很好地反映一个问题：

观察者实际上在图像中看到了多少噪声？

我们自 1997 年以来一直在测试数码相机，并长期使用 SNR 作为噪声测量指标。五年多以前，我们发现 SNR 测量结果不再能反映观察者的实际体验。因此，相机可能具有相似的 SNR 值，但噪声的外观却不同。同样，相同的噪声外观也可能导致不同的 SNR 值。

为此，我们准备了三个样本图像，1x、2x 和 4x，以说明这个问题：

想象这些图像应该是均匀的，但显示出一些噪声。如果您离屏幕很远，会发现所有三张图像的平均值相同，并且看起来均匀。
如果您靠近屏幕，则会明显看到图像 4x 中的“噪声”比图像 1x 中更多。

Visual Noise

因此，为了描述人类观察者在图像中实际看到了多少噪声以及这是否令人不适，我们不使用 SNR。相反，我们使用一种称为 Visual Noise 的测量方法。

测量 Visual Noise 的算法和程序在 ISO 15739 中有描述，并已在 2013 年标准修订时从信息性附录变为标准的规范性部分。

Visual Noise 值很容易理解：该值越高，观察者看到的噪声就越多。SNR 和 VN 之间的主要区别在于，VN 会根据可见度对噪声进行加权。无论如何都看不见的噪声将不计入噪声测量。

我们如何知道观察者能看到哪些噪声，不能看到哪些噪声？

人眼视觉系统对空间频率的响应可以建模。对比敏感度函数（CSF）与观看条件假设相结合，使我们能够计算噪声谱不同部分的重要性。因此，从上面的例子来看：图像 1x 的大部分“噪声”将存在于高空间频率中，这在 CSF 中的响应较低。图像 4x 的大部分“噪声”存在于较低空间频率中，根据 CSF，这可以很好地被观察到。因此，图像 4x 的 VN 值远高于 1x。

如何测量 Visual Noise

该算法和程序在 ISO15739 中有描述。最简单的方法是使用 OECF test target 和 iQ-Analyzer 软件解决方案。对于每个色块，您都会得到一个 VN 值。

不同的颜色反映了在不同观看条件下的 Visual Noise。青色是在 0.5 米距离以 100% 视图观看屏幕时测得的 Visual Noise，品红色描述了在标准观看距离下（10 厘米高）小尺寸打印件的噪声感知。

Uwe Artmann