4. 经典降噪算法（变换域）
聊到图像降噪，咱们得先搞清楚一个核心问题：噪声在哪儿？
在空间域里，噪声就是那些突兀的像素点，跟信号混在一起，很难直接分离。但换个角度看呢？如果把图像从「像素空间」映射到「频率空间」，噪声和信号就分开了。这就是变换域降噪的基本思路。
我个人习惯把这类方法叫做「换个战场打仗」。今天咱们就重点讲两个经典战场：傅里叶变换和小波变换。
4.1 傅里叶变换：从空间到频率
傅里叶变换的核心思想很简单：任何信号都可以分解成不同频率的正弦波之和。图像里的低频对应平滑区域，高频对应边缘和纹理——当然，也包括噪声。
F(u,v) = Σ Σ f(x,y) * e^(-j2π(ux/M + vy/N))其中 f(x,y) 是空间域像素值，F(u,v) 是频率域系数。
我在项目中遇到过一个问题：用傅里叶变换做降噪，低频保留得很好，但高频细节也跟着被抹掉了。为什么？因为傅里叶变换的基函数是全局的——它用无限长的正弦波去拟合信号，局部突变（比如边缘）会被平均到整个频带上。
- 无法同时兼顾频率和位置信息
- 对非平稳信号（如图像边缘）处理效果差
- 阈值处理容易产生振铃效应（Gibbs现象）
说白了，傅里叶变换就像用一把大刷子刷墙——整体颜色均匀了，但墙角的细节也糊了。那有没有更精细的工具？有，小波变换。
4.2 小波变换：多分辨率分析
小波变换的厉害之处在于：它既能看全局，又能看局部。它用一组有限长、会衰减的「小波」基函数去分解信号，这些基函数可以伸缩和平移，从而在不同尺度上分析信号。
你想想看，图像里的噪声通常是高频的、局部的。小波变换可以把图像分解成不同频率的子带：低频近似分量（LL）、水平细节（LH）、垂直细节（HL）、对角细节（HH）。噪声主要集中在高频细节子带里。
输入图像 → [LL1, LH1, HL1, HH1] → 对LL1继续分解 → [LL2, LH2, HL2, HH2] → ...我记得第一次做小波降噪时，看到分解后的子带图，心里就一个感觉：太清晰了。噪声在HH子带里像撒了一把盐，而边缘在LH和HL里还有结构信息。这就给了我们操作空间。
4.3 小波阈值降噪：软阈值 vs 硬阈值
有了小波分解，接下来就是怎么处理那些高频系数。最经典的方法就是阈值降噪。核心思想：小于阈值的系数认为是噪声，置零；大于阈值的系数认为是信号，保留或收缩。
这里有两个流派：硬阈值和软阈值。我刚开始做的时候也纠结过选哪个，后来踩了坑才明白。
| 方法 | 公式 | 特点 | 缺点 |
|---|---|---|---|
| 硬阈值 | ŵ = w, if |w| ≥ T ŵ = 0, if |w| < T |
保留大于阈值的系数原值，边缘保持好 | 系数在阈值处不连续，重构图像易产生振铃和伪影 |
| 软阈值 | ŵ = sign(w) * (|w| - T), if |w| ≥ T ŵ = 0, if |w| < T |
系数连续过渡，图像更平滑，伪影少 | 会收缩所有系数，导致边缘模糊，细节损失 |
做暗光图像降噪时，我一开始用了硬阈值，结果图像边缘出现了明显的「锯齿」和「振铃」。后来换成软阈值，平滑是平滑了，但暗光下的微弱细节也跟着没了。最后我用了自适应阈值 + 软硬折中的方法——对不同子带用不同阈值，对LH/HL子带用较小的软阈值，对HH子带用较大的硬阈值。效果好了很多。
4.4 实战：小波降噪在暗光图像上的应用
好了，理论讲完，咱们直接上手。下面是一个完整的Python实现，用PyWavelets库对暗光图像做小波降噪。
import cv2
import numpy as np
import pywt
import matplotlib.pyplot as plt
def wavelet_denoise(image, wavelet='db4', level=3, threshold=30, mode='soft'):
"""
小波阈值降噪函数
:param image: 输入图像（灰度图）
:param wavelet: 小波基，'db4'是Daubechies 4阶小波
:param level: 分解层数
:param threshold: 阈值
:param mode: 'soft' 或 'hard'
:return: 降噪后的图像
"""
# 1. 小波分解
coeffs = pywt.wavedec2(image, wavelet, level=level)
# 2. 对每一层的高频子带进行阈值处理
coeffs_thresh = list(coeffs)
coeffs_thresh[0] = coeffs[0] # LL子带保持不变
for i in range(1, len(coeffs_thresh)):
# 每个元素是 (LH, HL, HH) 三元组
detail_coeffs = list(coeffs_thresh[i])
for j in range(3): # 对LH, HL, HH分别处理
if mode == 'soft':
detail_coeffs[j] = pywt.threshold(detail_coeffs[j], threshold, mode='soft')
elif mode == 'hard':
detail_coeffs[j] = pywt.threshold(detail_coeffs[j], threshold, mode='hard')
coeffs_thresh[i] = tuple(detail_coeffs)
# 3. 小波重构
denoised = pywt.waverec2(coeffs_thresh, wavelet)
# 4. 裁剪到有效范围
denoised = np.clip(denoised, 0, 255).astype(np.uint8)
return denoised
# 读取暗光图像
img = cv2.imread('dark_scene.jpg', cv2.IMREAD_GRAYSCALE)
# 应用降噪
denoised_soft = wavelet_denoise(img, wavelet='db4', level=3, threshold=30, mode='soft')
denoised_hard = wavelet_denoise(img, wavelet='db4', level=3, threshold=30, mode='hard')
# 显示结果
plt.figure(figsize=(12, 4))
plt.subplot(131), plt.imshow(img, cmap='gray'), plt.title('原始暗光图像')
plt.subplot(132), plt.imshow(denoised_soft, cmap='gray'), plt.title('软阈值降噪')
plt.subplot(133), plt.imshow(denoised_hard, cmap='gray'), plt.title('硬阈值降噪')
plt.show()- 小波基选择：db4（Daubechies 4）在计算量和效果之间平衡较好，适合暗光图像。symlet系列也不错，对称性更好。
- 分解层数：3层是常用选择。层数太少，噪声分离不彻底；层数太多，低频分量也被过度处理，图像变模糊。
- 阈值选择：通用阈值 T = σ * sqrt(2 * log(N))，其中σ是噪声标准差，N是像素数。但暗光图像噪声不均匀，我建议用局部自适应阈值。
- 软硬结合：对LH/HL子带用软阈值（保护边缘连续性），对HH子带用硬阈值（保留微弱细节）。
嗯，这里要注意一点：暗光图像的噪声往往不是高斯白噪声，而是泊松-高斯混合噪声。直接套用通用阈值公式效果不一定好。我个人的习惯是先做一次中值滤波估计噪声水平，再根据局部方差调整阈值。
另外，小波降噪有个天然优势——它不会像高斯滤波那样把边缘也模糊掉。因为小波变换本身就有多分辨率特性，低频近似分量几乎不受影响，只处理高频细节。这对暗光图像来说太重要了，因为暗光下本来就缺细节，再模糊就真没法看了。
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 小波基 | db4 或 sym4 | 平衡计算量与效果 |
| 分解层数 | 3 | 暗光图像噪声能量集中在高频 |
| 阈值模式 | 软阈值（LH/HL） 硬阈值（HH） |
混合策略效果最佳 |
| 阈值大小 | 15-40 | 根据噪声水平动态调整 |
最后说一句：小波降噪不是万能的。如果图像信噪比太低（比如ISO 12800以上的暗光照片），小波降噪也救不回来。这时候就需要结合多帧合成或者深度学习的方法了。不过作为经典算法，小波降噪在计算资源有限、实时性要求高的场景下，依然是首选方案之一。