本文来自于noise论文查阅期间的相关随想与资料，对部分知识的温故知新吧；卡方检验来自于前一段时间对医学统计知识的学习，不得不说医学统计也是很有科学性的研究。
1、泊松分布与高斯分布
Poisson分布，是一种统计与概率学里常见到的离散概率分布，由法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）在1838年时发表。
泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、耕地上单位面积内杂草的数目等 。
泊松分布需要满足的条件为：事件为小概率事件、事件之间彼此相互独立且不会互相影响、事件发生的概率是稳定的。
其概率函数写作：
泊松分布的期望与方差均为lamda，满足泊松分布的多个相互独立的随机变量之和仍是满足泊松分布的，lambda为所有泊松分布变量的lambda之和。当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦0.05时，就可以用泊松公式近似得计算。
2、卡方检验（Chi-Square Test ）
本科期间概率论里面学习的内容，懒得重新推导了；贴一些经典易于理解的链接在这儿。
3、noise level
目前很多去噪的算法前提都是对噪声的模拟，噪声模拟是算法很重要的数据准备步骤。
在TIP2013 论文 Single-Image Noise Level Estimation for Blind Denoising 中，文章对于噪声水平估计有非常好的解释。
原文中说：
图像降噪研究历史悠久，但性能仍然不完美。根据噪声水平是否已知，去噪任务可以分为：Blind denoising 和 Non-blind denoising。对于Non-blind denoising，noising level可以作为一个已知擦承诺书，而blind denoising则会 the noise level is unknown and would be estimated together with the denoising process。因此去噪算法中一个很重要的问题是对噪声水平参数的估计。
那么如何解决去噪的问题呢？
In this case, there are two approaches to improve the performance of denoising: the first is to improve the non-blind denoising itself, so that the non-blind denoising with the true noise level always provide the best performance, and the second approach is to tune the internal noise level parameter to be provided for the non-blind denoising.
作者说 首先要提高non-blind denoising部分的去噪水平，接着指出要提高噪声水平的估计功能，为non-blind部分提供更为精准的参数。
文章中说：
The most common model for noise is the additive white Gaussian noise (AWGN). The goal of noise level estimation is to estimate the unknown standard deviation σ。这确实是很多论文的假设，比如KPN论文上总结说：RAW数据的噪声主要来自于两方面：shot noise：其服从泊松分布，且方差等于信号水平。read noise：近似服从高斯分布，其由多种传感器读出效应造成。
