📚 课程目录第4章去噪算法基础

4. 去噪算法基础：空域滤波与频域滤波

各位同学，今天我们来聊聊去噪算法的基础。这部分内容，说白了就是ISP通路上最常用的“手艺活”。我做了这么多年图像处理，发现很多新人一上来就追最新的AI去噪，结果连最基础的均值滤波都没调明白。嗯，咱们还是先把地基打牢。

去噪算法，按处理域来分，主要就是两大类：空域滤波和频域滤波。空域滤波直接操作像素，频域滤波则先把图像变换到频率空间再处理。各有各的脾气，咱们一个一个说。

4.1 空域滤波：最朴素的去噪手段

空域滤波，说白了就是用一个“窗口”在图像上滑动，对窗口内的像素做某种数学运算。你想想看，这就像用一个刷子在画布上抹，抹得均匀了，噪点就淡了。

4.1.1 均值滤波

均值滤波是最简单的。取一个3x3或5x5的窗口，把里面所有像素值加起来求平均，然后用这个平均值替代中心像素。

// 3x3均值滤波核
[1/9, 1/9, 1/9]
[1/9, 1/9, 1/9]
[1/9, 1/9, 1/9]

我在项目中遇到过一个问题：用均值滤波去噪，图像是平滑了，但边缘也糊了。为什么呢？因为均值滤波把边缘两侧的像素也混在一起了。说白了，它不分青红皂白，所有像素一视同仁。

注意：均值滤波会严重破坏边缘信息。在ISP硬件通路中，我一般只在预处理阶段用一次3x3均值，用来去除传感器读出噪声，后面不会再碰它。

4.1.2 高斯滤波

高斯滤波比均值滤波聪明一点。它给窗口内的像素分配不同的权重——离中心越近，权重越大；离中心越远，权重越小。权重分布服从高斯函数。

// 3x3高斯滤波核 (sigma=1.0)
[1/16, 2/16, 1/16]
[2/16, 4/16, 2/16]
[1/16, 2/16, 1/16]

我个人习惯用高斯滤波来做轻度去噪。它保留了更多的边缘细节，因为中心像素的贡献更大。但要注意，sigma值越大，平滑效果越强，边缘保留能力也越弱。

经验值：在硬件实现中，我建议sigma取0.8~1.2之间。太小了没效果，太大了边缘就没了。3x3核用sigma=1.0，5x5核用sigma=1.5，基本够用。

4.1.3 中值滤波

中值滤波的思路完全不同。它把窗口内的像素排序，取中间值作为输出。这招对付椒盐噪声特别管用。

我曾经在一个安防摄像头项目里，传感器因为温度过高产生了大量椒盐噪声。均值滤波和高斯滤波都试了，效果很差——噪声点被扩散成一片灰斑。换成中值滤波，3x3窗口一跑，噪声全没了，边缘还特别清晰。

  核心对比：
  均值滤波：去噪能力一般，边缘保留差，计算量最小
高斯滤波：去噪能力中等，边缘保留较好，计算量略高
中值滤波：去噪能力强（尤其椒盐噪声），边缘保留最好，但需要排序，硬件开销大

4.2 频域滤波：换个角度看问题

空域滤波是在像素层面操作，频域滤波则是把图像变换到频率空间。为什么要这么做？因为噪声和图像细节在频率域里分得更开。

图像的低频部分对应平滑区域，高频部分对应边缘和纹理。而噪声，尤其是高斯噪声，通常分布在高频区域。所以，我们可以在频域里把高频成分“切掉”或“衰减”，再变换回空域，就得到了去噪后的图像。

4.2.1 小波变换去噪

小波变换把图像分解成不同尺度的子带：低频近似分量、水平细节、垂直细节、对角细节。噪声主要分布在细节子带中。

小波去噪的流程一般是：

对图像做小波分解，得到多层子带
对细节子带做阈值处理（软阈值或硬阈值）
重构图像

我记得在手机ISP项目中，我们尝试用小波去噪来替代空域滤波。效果确实好，但问题是——硬件实现太复杂了。小波变换需要多级流水线，还要处理边界延拓，面积和功耗都吃不消。最后只在高端旗舰机上用了，中低端机型还是老老实实用空域滤波。

硬件避坑：小波变换在FPGA上实现时，要注意行缓冲（line buffer）的深度。2级小波分解需要至少存储2行+4行+8行的数据，对BRAM消耗很大。我曾经因为没算好buffer深度，导致时序跑不过，最后不得不降级到1级分解。

4.2.2 DCT变换去噪

DCT（离散余弦变换）大家应该不陌生，JPEG压缩用的就是它。DCT把图像块（通常是8x8）变换到频域，得到DC系数和AC系数。

去噪的思路很简单：AC系数代表高频细节，噪声也在这里。我们可以对AC系数做阈值处理，或者直接丢弃较小的AC系数。

// DCT去噪伪代码
for each 8x8 block:
    dct_block = DCT(block)
    for each coefficient in dct_block:
        if abs(coefficient) < threshold:
            coefficient = 0
    block = IDCT(dct_block)

DCT去噪在硬件上比小波友好得多。8x8块大小固定，计算规律性强，适合用SIMD或专用加速器。我在一个视频降噪项目里用过DCT去噪，配合运动补偿，效果相当不错。

4.3 空域 vs 频域：怎么选？

这个问题没有标准答案，我根据自己的经验给个参考：

维度	空域滤波	频域滤波
去噪效果	一般，容易丢失细节	较好，可针对频率分量处理
边缘保留	中值滤波好，均值/高斯差	较好（小波优于DCT）
硬件开销	低，适合流水线	高，需要变换模块和行缓存
实时性	高，延迟低	中等，有块处理延迟
适用场景	实时ISP、低功耗设备	离线处理、高端成像

我的建议：在硬件ISP通路中，优先用空域滤波。如果效果不够，再考虑在特定场景（如夜景模式）下启用频域滤波。不要一上来就上频域，成本和功耗会让你头疼。

4.4 本章小结

去噪算法的基础，说白了就是空域和频域这两条路。空域滤波简单直接，适合硬件；频域滤波效果更好，但代价也更高。我个人在项目中，80%的场景用空域滤波就能搞定，剩下20%才需要频域出手。

嗯，这里要提醒大家：不要为了追求技术上的“高级”而盲目选择复杂算法。去噪的本质是“在去噪和保边之间找平衡”，这个平衡点，需要你根据具体的传感器噪声模型、应用场景和硬件资源来定。