工业视觉中图像噪声来自哪里？如何降低噪声？

你有没有遇到过这种情况，在光线不足的室内用手机拍照，照片放大一看，满屏都是细密的彩色颗粒，像撒了一层细沙。或者晚上拍夜景，天空部分不是纯净的黑色，而是布满了红红绿绿的噪点。同样的现象，在工业视觉系统中也会出现，只是后果严重得多。一张带有明显噪声的图像，可能导致边缘检测偏移几个像素，对于微米级测量来说，这几个像素的偏差足以让一个合格品被判为不合格。

图像噪声无处不在，区别只是有些场景下人眼能忽略，有些场景下算法无法容忍。那么，这些噪声到底是从哪里冒出来的？又该怎么把它压下去？

一、光子散粒噪声：光子本身的随机性

光是由无数个光子组成的。光子到达图像传感器的过程，本质上是一个随机事件。你可以想象成雨滴落在一个窗台上，整体来看，窗台会被均匀淋湿，但如果你观察每一个小区域，落在A点的雨滴数和B点的雨滴数不会完全一样，有的多几滴，有的少几滴。

传感器上每个像素接收到的光子数也是这种分布，有的像素多收了一些，有的少收了一些。这种由光子到达时间的随机性导致的信号波动，就是光子散粒噪声。它是所有图像噪声中最根本、最无法消除的一种。

光子散粒噪声的大小和信号强度的平方根成正比。信号越强，噪声的绝对值越大，但噪声相对于信号的比例反而会下降。这意味着在暗光条件下，信号本身就弱，噪声的相对占比更大，图像看起来更脏。

二、 暗电流噪声：传感器内部的热扰动

光子到达传感器后，会激发出电子，这些电子被收集起来，最终被读出电路计数，一个像素收了多少电子，就对应多亮的灰度值。

问题在于，温度本身也会激发电子。即使完全没有任何光照，把传感器放在一个完全黑暗的环境中，只要温度高于绝对零度，材料内部的热能就会随机激发出一些电子，它们和光生电子混在一起，无法区分。这就是暗电流噪声，也叫热噪声。

暗电流噪声和温度密切相关。温度每升高6到8摄氏度，暗电流大约翻一倍。一台工业相机在30°C环境下工作，暗电流可能是20°C环境下的两倍还多。这就是为什么高端工业相机通常会配备制冷模块，把传感器温度降到零下甚至更低，热噪声随之大幅下降。

三、读出噪声：信号读出的误差

光子变成了电子，电子被收集起来，接下来要把这些电子的数量“数清楚”，然后转换成数字信号，模数转换过程就是读出噪声的主要来源。

读出过程可以类比成用秤称量极轻的物体。如果秤本身不够灵敏，每次称量结果都会有细微波动。传感器内部电路的热噪声、电源的纹波、时钟信号的抖动，都会在读出的过程中叠加到信号上。

读出噪声和温度、电路设计、读出速度都有关系。新一代工业相机通过双增益读出架构和深亚微米工艺的降噪电路，在高速读出时仍能保持较低的噪声水平。但读出噪声的物理极限来自一个基本的热力学限制，电路中的电子器件本身就在不停地热运动，这种运动带来的电压波动是无法完全消除的。

四、环境电磁干扰

工业产线上，电磁干扰是无处不在的。电机启动、变频器工作、继电器吸合，这些设备都在不断地制造电磁场。如果相机数据线屏蔽不好，或者工控机的电磁兼容性设计不到位，这些电磁干扰就会耦合到图像信号中。

这种干扰通常表现为规律的条纹或横纹，有时是高频的细小颗粒，有时是整幅画面的周期性闪烁。与前面几种噪声不同，电磁干扰是可以通过改善硬件设计和现场布线来大幅降低的——使用带屏蔽层的线缆、把信号线和动力线分开走线、做好设备接地，能解决大部分电磁干扰问题。

五、降噪策略：物理层和算法层的协同

了解了噪声的来源，降噪的思路就清晰了。降噪分为硬件层和软件层，两者缺一不可。

硬件层：从源头减少噪声产生。 针对光子散粒噪声，最直接的办法是增加光照强度。信号强了，散粒噪声的相对占比自然下降。但光照不能无限增加，过曝会导致图像细节丢失。

针对暗电流噪声，降低传感器温度是最有效的手段。热电制冷（TEC）模块可以把传感器温度降到零下20°C甚至更低，暗电流噪声随之大幅降低。

针对电磁干扰，物理隔离是关键，用带屏蔽层的线缆、将信号线和动力线分开布线、规范接地方式，能解决大部分现场干扰问题。

软件层：用算法消除已经产生的噪声。 物理层降噪把噪声压到了最低，但残余噪声仍然存在。

最基本的降噪方法是空间滤波。想象一张图像是一块地毯，噪声就像地毯上散落的细小杂物。中值滤波的做法是取每个像素周围的一个小窗口，把窗口内所有像素的灰度值排序，取中间值替换中心像素。这种方法对脉冲噪声特别有效，而且不会让边缘变得模糊。

另一种常用的是高斯滤波。它不再取排序的中值，而是对窗口内的像素做加权平均，权重按照高斯分布分配，离中心越近的像素权重越大，离得越远的权重越小。高斯滤波对高斯噪声效果好，但缺点是会让边缘模糊。中值滤波保留了边缘，高斯滤波平滑了整体，选哪种要看具体场景。

更先进的降噪方法是基于深度学习的降噪网络。通过大量“干净图像+带噪声图像”的配对数据训练，让模型学习从带噪声图像中还原干净图像。深度学习降噪在处理复杂噪声模式时表现出色。在一张包含混合噪声（光子散粒噪声、暗电流噪声、读出噪声同时存在）的工业图像上，深度学习降噪能有效抑制各类噪声并保留边缘细节，而传统滤波方法只能在降噪和保留边缘之间做取舍。

六、结语

图像噪声的来源很复杂，光子本身的随机性、传感器的热扰动、读出电路的极限、环境电磁干扰，每一条链路都会引入不同的噪声。但了解这些来源和特性之后，降噪就不再是漫无目的地试错。物理层把噪声压到最低，算法层清除残余噪声，两条腿走路，才能让图像从源头开始就是干净的。当噪声水平足够低时，边缘提取、缺陷识别、尺寸测量，后续所有算法都能在更干净的数据上工作，效率和精度自然跟着提升。