第四章 RAW域降噪：空域与时域实战

降噪这活儿，说白了就是跟传感器抢细节。我刚开始调ISP的时候，总觉得降噪就是“糊一糊”，结果图像是干净了，但纹理全没了，被算法同事追着骂了好几天。后来才明白——降噪的本质是信号与噪声的分离，不是抹除。

RAW域的噪声有个特点：它跟信号强度有关，而且分布不均匀。你想想看，暗区的噪声往往比亮区更明显，因为信噪比低。所以降噪策略必须“看人下菜碟”。

4.1 空域降噪：最基础的三种武器

空域降噪，就是只靠当前这一帧图像里的像素信息来做处理。我最早接触的就是这三种：均值、高斯、中值。听起来简单，但用好了能解决80%的日常问题。

4.1.1 均值滤波

均值滤波的原理，就是用一个窗口扫过图像，把窗口内所有像素的平均值赋给中心像素。说白了就是“大家一起平摊噪声”。

// 3x3均值滤波核
float kernel[3][3] = {
    {1/9, 1/9, 1/9},
    {1/9, 1/9, 1/9},
    {1/9, 1/9, 1/9}
};

4.1.2 高斯滤波

高斯滤波跟均值滤波的区别在于——它给窗口内的像素加了权重。离中心越近的像素权重越大，越远的权重越小。这个权重分布服从高斯函数。

为什么这样更好？因为自然图像中，相邻像素的相关性本来就随距离衰减。高斯滤波更符合这个规律，所以模糊效果更自然。

// 3x3高斯滤波核 (sigma=1.0)
float kernel[3][3] = {
    {0.075, 0.124, 0.075},
    {0.124, 0.204, 0.124},
    {0.075, 0.124, 0.075}
};

4.1.3 中值滤波

中值滤波就更有意思了——它取窗口内所有像素的中位数，而不是平均值。这玩意儿对付椒盐噪声（就是那种黑白点噪声）特别管用。

为什么会这样？因为椒盐噪声的像素值要么极大要么极小，取中位数时会被自动排除掉。而均值滤波会把噪声值“平均”进结果里，越平均越脏。

滤波类型	噪声类型	边缘保持	计算量
均值滤波	高斯噪声	差	低
高斯滤波	高斯噪声	中	中
中值滤波	椒盐噪声	好	高

4.2 时域降噪：多帧合成才是王道

空域降噪有个天花板——你不可能无限增大窗口，否则细节全没了。这时候就需要时域降噪出手了。

时域降噪的核心思想：噪声是随机的，信号是稳定的。多拍几帧，把相同位置的像素值平均一下，噪声就会互相抵消，信号则保持不变。

4.2.1 简单多帧平均

假设你拍了N帧图像，每帧的像素值 = 真实信号 + 噪声。N帧平均后，信号不变，噪声的标准差降低到原来的 1/√N。

// 多帧平均伪代码
for each pixel (x, y):
    sum = 0
    for frame = 1 to N:
        sum += frame_buffer[frame][y][x]
    output[y][x] = sum / N

4.2.2 运动补偿

简单平均有个致命问题——如果场景里有运动物体，多帧平均会拖出鬼影。这时候就需要运动补偿了。

运动补偿的思路：先估计当前帧与参考帧之间的运动矢量，然后把参考帧的像素“挪”到对齐位置，再做平均。

我曾经在一个安防项目中遇到这个问题：夜晚监控画面噪声很大，用了8帧平均后，人走过去变成了一团模糊的影子。后来加了运动补偿，效果立竿见影。

4.3 双边滤波与引导滤波：边缘保持的利器

前面说的几种方法，要么保边缘丢降噪，要么降噪丢边缘。双边滤波和引导滤波就是为了解决这个矛盾而生的。

4.3.1 双边滤波

双边滤波在计算权重时考虑两个因素：空间距离和像素值差异。空间距离近的权重大，像素值相近的权重大。

这意味着什么？在平坦区域，像素值差异小，双边滤波退化为高斯滤波，好好降噪。在边缘处，像素值差异大，边缘两侧的像素互相不参与加权，边缘就保住了。

// 双边滤波权重计算
weight = exp(-(dx² + dy²) / (2 * σ_space²)) 
       * exp(-(I(x,y) - I(x0,y0))² / (2 * σ_range²))

4.3.2 引导滤波

引导滤波是双边滤波的“升级版”。它假设输出图像是引导图像的局部线性变换。这个假设在数学上更优雅，计算效率也更高——复杂度是O(N)，跟窗口大小无关。

引导滤波最大的优势：不会出现双边滤波的“梯度翻转”伪影。双边滤波在某些强边缘附近会产生不自然的明暗反转，引导滤波则不会。

特性	双边滤波	引导滤波
计算复杂度	O(N·r²)	O(N)
边缘保持	好	好
梯度翻转	可能	无
引导图需求	不需要	需要

4.4 降噪策略选择指南

说了这么多，到底怎么选？我总结了一个简单的决策流程：

1. 先看噪声类型：椒盐噪声→中值滤波；高斯噪声→高斯滤波或双边滤波
2. 再看运动情况：静态场景→多帧平均；动态场景→运动补偿+时域降噪
3. 最后看算力：嵌入式平台→均值/高斯；PC端→引导滤波

嗯，这里要注意：没有万能算法。我见过太多人试图用一个滤波器解决所有问题，结果哪个都没调好。实际项目中，往往是空域+时域+边缘保持三种方法组合使用，才能达到最佳效果。