2. 降噪基础
各位做安防监控的同行，咱们直接进入正题。图像降噪，说白了就是跟画面里的“脏东西”做斗争。你想想看，一个监控摄像头，白天光线好时画面通透，一到晚上或者光线不足，满屏的颗粒感、闪烁点就出来了。这些“脏东西”就是噪声。
我做了这么多年安防图像处理，可以负责任地告诉你：降噪不是把画面变模糊，而是把噪声去掉的同时，尽量保留边缘细节。这中间的平衡，才是真正的技术活。
2.1 噪声类型：你得先认识敌人
不同的噪声，处理方式完全不同。我见过不少新手，上来就用高斯滤波一顿操作，结果椒盐噪声一个没去掉，反而把图像搞糊了。所以，先搞清楚你面对的是哪种噪声。
2.1.1 高斯噪声
这是最常见的一种。它源于传感器本身的电子热运动，或者光照不均匀。说白了，就是每个像素点都叠加了一个随机的小扰动，这个扰动服从高斯分布（正态分布）。
- 特点：每个像素都会受影响，但幅度不大。看起来像画面蒙了一层薄薄的“沙粒”。
- 成因：传感器温度升高、低光照环境、电路噪声。
- 数学表达：概率密度函数为 \( p(x) = \frac{1}{\sqrt{2\pi\sigma}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \)，其中 \(\sigma\) 是标准差，控制噪声强度。
2.1.2 椒盐噪声
这种噪声更“暴力”。它随机把一些像素点变成纯白（盐）或纯黑（椒）。你想想看，画面里突然出现一些白点或黑点，像撒了盐和胡椒一样。
- 特点：只有部分像素受影响，但幅度极大（要么0，要么255）。
- 成因：传输信道错误、模数转换器故障、存储介质损坏。
- 关键：高斯滤波对椒盐噪声基本无效，必须用中值滤波。
2.1.3 泊松噪声
这个稍微复杂一点。它跟光的量子特性有关。光线越弱，光子数越少，统计涨落就越明显。泊松噪声的强度跟信号本身有关——信号越强，噪声越大。
- 特点：信号依赖型噪声。亮区噪声大，暗区噪声小。
- 成因：光子计数统计特性，常见于微光夜视、X光成像。
- 处理：通常先做方差稳定变换（如Anscombe变换），把泊松噪声变成近似高斯噪声，再用高斯降噪算法处理。
三种噪声的对比，我整理了一个表格，方便你快速查阅：
| 噪声类型 | 分布特性 | 与信号关系 | 典型场景 | 推荐初处理 |
|---|---|---|---|---|
| 高斯噪声 | 正态分布，每个像素都受影响 | 独立于信号 | 低照度监控、传感器热噪声 | 高斯滤波、双边滤波 |
| 椒盐噪声 | 随机分布，部分像素突变 | 独立于信号 | 传输错误、存储故障 | 中值滤波 |
| 泊松噪声 | 泊松分布，与信号强度相关 | 信号依赖型 | 微光夜视、医学成像 | Anscombe变换 + 高斯降噪 |
2.2 降噪评价指标：怎么判断降得好不好？
降噪做完了，怎么评价效果？你不能光靠眼睛看，得用客观指标说话。我常用的两个指标是PSNR和SSIM。
2.2.1 PSNR（峰值信噪比）
PSNR是最经典的指标。它计算的是原始干净图像和降噪后图像之间的像素误差。单位是dB，数值越大，说明失真越小。
- 公式：\( PSNR = 10 \cdot \log_{10} \left( \frac{MAX_I^2}{MSE} \right) \)，其中MSE是均方误差，\( MAX_I \)是像素最大值（8位图像为255）。
- 经验值：PSNR > 40dB，图像质量非常好；30-40dB，良好；20-30dB，可接受；< 20dB，不可接受。
- 局限：PSNR只关注像素级误差，不关注人眼感知。有时候PSNR很高，但图像看起来反而更“假”。
2.2.2 SSIM（结构相似性）
SSIM更聪明。它从亮度、对比度、结构三个维度比较两幅图像的相似性。取值范围是0到1，越接近1，说明结构保留得越好。
- 公式：\( SSIM(x, y) = \frac{(2\mu_x\mu_y + C_1)(2\sigma_{xy} + C_2)}{(\mu_x^2 + \mu_y^2 + C_1)(\sigma_x^2 + \sigma_y^2 + C_2)} \)
- 优势：更符合人眼视觉特性。降噪过度导致边缘模糊时，SSIM会明显下降。
- 我的习惯：我一般要求SSIM > 0.9，同时PSNR > 35dB，才算合格的降噪效果。
两个指标的对比：
| 指标 | 关注点 | 数值范围 | 优点 | 缺点 |
|---|---|---|---|---|
| PSNR | 像素误差 | 0 ~ ∞ (dB) | 计算简单，物理意义明确 | 不感知结构，对模糊不敏感 |
| SSIM | 结构相似性 | 0 ~ 1 | 符合人眼感知，对边缘保留敏感 | 计算稍复杂，对平移旋转不鲁棒 |
2.3 经典降噪算法概述
了解了噪声和评价指标，咱们来看看有哪些经典算法。这些算法是基础，后面的章节会深入讲。
2.3.1 空间域滤波
直接在像素空间上操作，简单粗暴。
- 均值滤波：用邻域像素的平均值代替中心像素。优点是快，缺点是边缘全糊了。
- 高斯滤波：用高斯核做加权平均。比均值滤波好一点，但边缘还是保不住。
- 中值滤波：用邻域像素的中值代替中心像素。对椒盐噪声有奇效，但对高斯噪声效果一般。
- 双边滤波：同时考虑空间距离和像素值差异。能保边，但计算量大，而且对高噪声图像效果有限。
2.3.2 变换域滤波
把图像变换到频域，在频域里处理噪声。
- 小波阈值降噪：对小波系数做软阈值或硬阈值处理。效果好，但参数选择比较麻烦。
- DCT降噪：离散余弦变换，JPEG压缩里用的就是它。适合处理块状噪声。
2.3.3 非局部均值（NLM）
这个算法思路很巧妙。它不只看邻域，而是在整幅图像里找相似的块，然后加权平均。效果非常好，但计算量巨大。我记得第一次在嵌入式平台上跑NLM，一帧1080p图像跑了十几秒，根本没法用。后来做了很多优化，才勉强达到实时。
2.3.4 基于深度学习的降噪
这是目前的主流方向。用CNN（卷积神经网络）直接学习从噪声图像到干净图像的映射。
- DnCNN：经典网络，用残差学习预测噪声，然后从原图减去噪声。
- FFDNet：可处理不同噪声水平的快速灵活降噪网络。
- 优势：效果远超传统算法，能处理复杂噪声。
- 劣势：需要大量训练数据，计算资源要求高，在低端IPC上部署困难。
下面这张图，是我整理的降噪知识体系框架，方便你理解各个模块之间的关系：
嗯，这张图把整个降噪流程串起来了。从输入噪声图像开始，先识别噪声类型，再选择合适的算法，最后用PSNR和SSIM评估。如果效果不达标，就调整参数或者换算法，直到满意为止。
好了，降噪的基础知识就讲到这里。记住：认识噪声是第一步，选对指标是第二步，用好算法是第三步。后面的章节，我们会深入每一种算法的细节和调优技巧。