單元 13 · 雜訊與降噪

# 目標 SNR >= 30dB（σ/S < 3.2%）
# gain 高時量測：σ=20, 訊號=400
SNR = 20*log10(400/20) = 26 dB   # 不達標
# 補光 + 降增益：訊號 800, σ≈18 → SNR 33 dB ✓
# 結論：補光 + 降增益 優於 硬拉增益

python3 - <<'EOF'
import rawpy, numpy as np, subprocess
for g in [1, 2, 4, 8]:
    # 用平台指令取 RAW（OV9281）
    raw = rawpy.imread(f'g{g}.dng').raw_image
    roi = raw[500:1500,500:1500].astype(float)
    print(f'gain={g}  σ={roi.std():.1f}')
EOF

# 方案 A：增益 ×4 補曝光（訊號 4x，σ 約 2x）
SNR_A = 20*log10(400/20) ≈ 26 dB
# 方案 B：補光讓光多 4x、增益不變（訊號 4x，σ 約 2x 同 shot noise）
# 但 B 的 σ 起點低，且不放大 read noise：
SNR_B ≈ 20*log10(1600/32) ≈ 34 dB   # 高出 8 dB
# 結論：光源 → 曝光 → 類比增益 → 數位增益，順序不可反

1. 增益是否過高？
   ├─ 是 → 補光 / 降增益 / 長曝光（先檢查 banding）
   └─ 否 ┐
2. 是固定亮點還是一般顆粒？
   ├─ 固定亮點 → DPC 沒處理 / 缺陷表
   └─ 一般顆粒 ┐
3. NR 已開？
   ├─ 未開 → 開 NR（空間+時間）
   └─ 已開仍粗 ┐
4. 動態場景有鬼影？
   ├─ 是 → 時間 NR 過強：調降
   └─ 否 → 檢查 NR 與 sharpening 平衡（單元 14）

# 固定曝光，逐級類比增益量 σ
for g in 1 1.5 2 3 4 6 8; do
  v4l2-ctl -d /dev/v4l-subdev0 -c analogue_gain=$g
  argus_camera --mode 0 --capture-auto 1 --raw-file g$g.raw --duration 1
done
# σ 突增點 = 此後增益不可用 → 設為上限

# 靜態場景：空間+時間 NR 都有效，畫質最好
# 放一個緩慢移動物體：
#   - 有鬼影/拖影 → 時間 NR 過強（試降時間強度）
#   - 移動體顆粒仍在 → 空間 NR 不足（試升空間強度）
# 高速運動：直接關時間 NR，只留空間 NR

# 1. 固定曝光（排除 AE 干擾）
argus_camera --mode 0 --ae-manual --exposure-time 20000 --gain 4.0
# 2. 關閉所有 NR，拍 baseline
argus_camera --mode 0 --nr-off --duration 2 --raw-file baseline.raw
# 3. 逐步開啟 2D NR，觀察 SNR 改善
for level in 1 2 3 4 5; do
  argus_camera --mode 0 --nr-2d $level --duration 2 --raw-file nr2d_L${level}.raw
done
# 4. 在 baseline 上分析 SNR
python3 - <<'EOF'
import numpy as np
raw = np.fromfile('baseline.raw', dtype=np.uint16).reshape(800, 1280)
flat = raw[300:500, 500:800]
print(f'Baseline SNR: {20*np.log10(flat.mean()/flat.std()):.1f} dB')
for level in range(1, 6):
    nr = np.fromfile(f'nr2d_L{level}.raw', dtype=np.uint16).reshape(800, 1280)
    nf = nr[300:500, 500:800]
    print(f'NR 2D level {level}: SNR={20*np.log10(nf.mean()/nf.std()):.1f} dB, σ={nf.std():.1f}')
EOF
# 找到 SNR 改善最大但 σ 仍然合理的 level

# Phase 1 · 感測器本質量測（回顧 13.6）
for g in 1 2 4 8; do
  v4l2-ctl -d /dev/v4l-subdev0 -c analogue_gain=$g
  argus_camera --mode 0 --capture-auto 1 --raw-file g$g.raw --duration 1
done
# 畫 σ vs gain → 找 σ 暴增點 → 定增益上限（例：max gain 4）
# Phase 2 · 定雜訊預算：目標 SNR ≥ 30dB（σ/S < 3.2%）
# Phase 3 · 補光 / 曝光調整，讓預算在正常場景達標
# Phase 4 · NR 階梯（回顧 13.12 方法）
for level in 0 1 2 3 4 5; do
  argus_camera --mode 0 --nr-2d $level --duration 2 --raw-file n$level.raw
done
# 找「SNR 提升 ≥ 3dB 且缺陷細節不模糊」的 level
# Phase 5 · DPC 驗證：黑框 RAW 的 max 應被壓制
# Phase 6 · 動態場景確認無鬼影（時間 NR 慎用）

#!/usr/bin/env python3
# noise_vs_gain.py — 雜訊 vs 增益完整量測
import numpy as np, matplotlib.pyplot as plt, subprocess, glob

gains = [1.0, 2.0, 4.0, 8.0, 16.0]
results = []

for gain in gains:
    subprocess.run([
        "argus_camera", "--camera-id", "0", "--mode", "0",
        "--exposure-value", "0.016", "--gain-value", str(gain),
        "--capture-auto", "0", "--duration", "1",
        "--output-dir", f"/tmp/noise_g{int(gain)}"
    ], capture_output=True)
    
    raw = glob.glob(f"/tmp/noise_g{int(gain)}/*.raw")
    if raw:
        data = np.fromfile(raw[0], dtype=np.uint16).reshape(800, 1280)
        flat_region = data[350:450, 550:700]
        sigma = flat_region.std()
        mean = flat_region.mean()
        snr = mean / sigma if sigma > 0 else 0
        results.append({"gain": gain, "mean": mean, "sigma": sigma, "snr": snr})
        print(f"Gain {gain:.0f}x: mean={mean:.1f} sigma={sigma:.2f} SNR={snr:.1f}")

# Plot
gains_r = [r["gain"] for r in results]
sigmas = [r["sigma"] for r in results]
snrs = [r["snr"] for r in results]

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4))
ax1.plot(gains_r, sigmas, 'bo-', label='Measured')
ax1.plot(gains_r, [sigmas[0]*g for g in gains_r], 'r--', label='Ideal (σ ∝ gain)')
ax1.set_xlabel('Gain'); ax1.set_ylabel('σ (DN)'); ax1.set_title('Noise vs Gain')
ax1.legend(); ax1.grid(True, alpha=0.3)

ax2.plot(gains_r, snrs, 'go-')
ax2.set_xlabel('Gain'); ax2.set_ylabel('SNR'); ax2.set_title('SNR vs Gain')
ax2.grid(True, alpha=0.3)

plt.tight_layout(); plt.savefig('noise_analysis.png')
print("Saved: noise_analysis.png")

# Verdict
ideal_sigma = sigmas[0] * gains_r[-1]
actual_sigma = sigmas[-1]
deviation = abs(actual_sigma - ideal_sigma) / ideal_sigma * 100
print(f"\nIdeal σ at {gains_r[-1]}x: {ideal_sigma:.1f}")
print(f"Actual σ at {gains_r[-1]}x: {actual_sigma:.1f}")
print(f"Deviation: {deviation:.1f}%")
print(f"VERDICT: {'PASS' if deviation < 30 else 'CHECK SENSOR'}")

1. σ 隨 gain 增加但不成正比？
   ├─ 是 → 感測器固定雜訊佔比高
   │       → 降曝光時間（短曝 + 高 gain 更糟）
   └─ 否 ┐
2. σ 在高 gain 暴增（非線性跳躍）？
   ├─ 是 → 感測器接近最大增益限制
   │       → 限制增益上限（如 8x → 16x 不建議）
   └─ 否 ┐
3. σ 隨 gain 不變？
   ├─ 是 → ISP 降噪已介入（或 gain 未生效）
   └─ 否 → 正常線性關係

1. 降噪後細節嚴重流失？
   ├─ 2D 降噪強度過高 → 降 spatial strength
   │  或改用 temporal（時域）降噪
   ├─ 是 ┐
   │   2. Temporal 降噪可用？
   │      ├─ 是 → 用 temporal（保細節更好）
   │      └─ 否 → 降 spatial strength + 開 edge preservation
   └─ 否 → 正常 tradeoff