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（OV5640）
    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

v4l2-ctl -d /dev/v4l-subdev0 -c auto_exposure=0 -c auto_gain=0
for g in 64 128 256 512 1024; do
  v4l2-ctl -d /dev/v4l-subdev0 -c gain=$g
  v4l2-ctl -d /dev/video0 --stream-mmap=3 --stream-count=1 --stream-to=g$g.raw
done

python3 - <<'EOF'
import numpy as np
for g in [64,128,256,512,1024]:
    raw = np.fromfile(f'g{g}.raw', dtype=np.uint16).reshape(720,1280)
    roi = raw[500:1500,500:1500].astype(float)
    print(f'gain={g:5d}  σ={roi.std():6.1f}  mean={roi.mean():6.1f}')
EOF

# 對暗部：SNR = 20*log10(mean/σ)
python3 - <<'EOF'
import numpy as np
for g in [64,128,256,512,1024]:
    raw = np.fromfile(f'g{g}.raw', dtype=np.uint16).reshape(720,1280)
    roi = raw[500:1500,500:1500].astype(float)
    snr = 20*np.log10(roi.mean()/max(roi.std(),1e-6))
    print(f'gain={g:5d}  SNR={snr:5.1f} dB')
EOF

# 啟用 ISP3 的 Bayer denoise 模組
media-ctl -d /dev/media0 -V "'rkisp-isp':0[nr_strength=128]"
v4l2-ctl -d /dev/video0 --stream-mmap=3 --stream-count=1 --stream-to=isp_nr.yuv

python3 - <<'EOF'
import cv2, time
img = cv2.imread('noisy.png')
t0 = time.time()
nr = cv2.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21)
dt = time.time() - t0
print(f'OpenCV NR: {dt*1000:.0f}ms for {img.shape[1]}x{img.shape[0]}')
cv2.imwrite('opencv_nr.png', nr)
EOF

v4l2-ctl -d /dev/v4l-subdev0 -c auto_exposure=0 -c auto_gain=0
for g in 64 128 256 512 1024; do
  v4l2-ctl -d /dev/v4l-subdev0 -c gain=$g
  v4l2-ctl -d /dev/video0 --stream-mmap=3 --stream-count=1 --stream-to=g$g.raw
done

python3 - <<'EOF'
import numpy as np
for g in [64,128,256,512,1024]:
    raw = np.fromfile(f'g{g}.raw', dtype=np.uint16).reshape(720,1280)
    roi = raw[300:420,500:780].astype(float)
    snr = 20*np.log10(roi.mean()/max(roi.std(),1e-6))
    flag = 'OK' if snr>=30 else '超上限'
    print(f'gain={g:5d}  SNR={snr:5.1f} dB  {flag}')
EOF

# 依 SNR 分級：
#   SNR ≥ 40 dB → 不需 NR（保留細節）
#   30–40 dB   → 輕度時域平均（2 幀）
#   < 30 dB    → 空間 NR + 補光建議
python3 - <<'EOF'
# 時域平均（多幀降噪）範例：
import numpy as np
frames = [np.fromfile(f'seq_{i}.raw', dtype=np.uint16).reshape(720,1280)
          for i in range(1,5)]
avg = np.mean(frames, axis=0).astype(np.uint16)
avg.tofile('seq_avg.raw')
print('4 幀時域平均完成（SNR 約提升 6 dB）')
EOF

# 輸出範例：
# 場景照度     建議曝光   增益上限   SNR    降噪策略
# 日間(>500lx)  2000     128       ≥45   無
# 黃昏(50lx)   8000     256       35     時域平均 x2
# 夜間(5lx)    20000    512       28     空間 NR + 補光

- [ ] 我能完成雜訊管理專案並產出「雜訊管理表」。
- [ ] 我能量測各增益的 SNR 並訂出增益上限。
- [ ] 我理解「拉增益不改善 SNR」的數學原理。
- [ ] 我遵守「DPC 先、NR 後」的順序。
- [ ] 我已用時域平均驗證 SNR 提升（多幀 +6dB）。
- [ ] 我知道如何在四平台對應 NR 策略（硬體/後處理）。

影像雜訊太重？
├─ 增益太高 → 減少 analog gain
│  └─ 測試 gain=1/2/4/8 的 SNR
├─ 暗場 → 增加曝光（拉亮場景）
│  └─ 或用時域平均（多幀堆疊）
├─ NR 強度不足 → 增加 0x5301 值
│  └─ 但注意細節會被抹掉
└─ 有壞點 → 先開 DPC
   └─ 0x5080=0x01, 0x5081 調閾值

NR 後細節模糊？
├─ NR 強度太高 → 減少 0x5301 值
├─ 改用時域平均（不傷細節）
│  └─ 多幀堆疊：SNR 提升 6dB/倍數
├─ 改用空間 NR 的低強度
│  └─ 取捨：雜訊 vs 細節
└─ 接受限制
   └─ 記錄「NR 強度 vs 細節」的取捨

- [ ] 完成「雜訊管理專案」並產出雜訊管理表
- [ ] 量測各增益的 SNR 並訂出增益上限
- [ ] 驗證「拉增益不改善 SNR」的數學原理
- [ ] 遵守「DPC 先、NR 後」的順序
- [ ] 用時域平均驗證 SNR 提升（多幀 +6dB）
- [ ] 在四平台對應 NR 策略（硬體/後處理）
- [ ] 產出「NR tuning report」（含 SNR/增益/細節取捨）
- [ ] 測試 DPC 閾值對壞點移除的影響
- [ ] 測試 NR 強度對細節的影響
- [ ] 產出「雜訊管理表」（SNR/增益/NR/quality）