ISP降噪锐化算法与画质调优实战 - 第1节

图像噪声的来源与分类

做图像处理这些年，我最大的感触就是——噪声这东西，你躲不开。无论是工业相机还是手机摄像头，只要传感器一工作，噪声就跟着来了。说白了，噪声就是图像里那些不该出现的像素波动，让画面变得不干净。

噪声从哪来？

我习惯把噪声来源分成三类：

• 传感器自身——CMOS/CCD 的暗电流、热噪声，曝光时间越长越明显
• 传输过程——信号在电路里走一圈，电磁干扰就混进来了
• 环境因素——光照不足时，信噪比直接跳水，噪声就冒出来了

你想想看，一张暗光下拍的图，放大到像素级，那些花花绿绿的小点，就是噪声在捣乱。

三种最常见的噪声

噪声类型	产生原因	典型特征	我碰到的场景
高斯噪声	传感器热噪声、电路噪声	每个像素都加了一个随机值，服从正态分布	工业相机长时间工作，画面像蒙了一层雾
椒盐噪声	传输错误、存储介质坏道	随机出现纯黑或纯白的像素点	老式监控摄像头，画面上全是黑白闪点
泊松噪声	光子到达的随机性（量子效应）	亮度越高噪声越明显，跟信号强度相关	天文摄影、荧光显微镜成像

图像锐化的数学原理

锐化是干啥的？说白了就是让边缘更清晰，让细节跳出来。但这里有个坑——锐化也会放大噪声。嗯，后面我会细讲这个平衡问题。

拉普拉斯算子

拉普拉斯算子是二阶微分算子。它检测的是图像亮度的突变率变化。我直接给公式：

∇²f = ∂²f/∂x² + ∂²f/∂y²

离散化之后，常用的 3×3 核长这样：

  0   1   0
  1  -4   1
  0   1   0

锐化操作就是原图减去拉普拉斯结果：

g(x,y) = f(x,y) - ∇²f(x,y)

Sobel 算子

Sobel 是一阶微分算子，它计算的是梯度。水平方向和垂直方向各一个核：

水平 Sobel（检测垂直边缘）：
 -1   0   1
 -2   0   2
 -1   0   1

垂直 Sobel（检测水平边缘）：
 -1  -2  -1
  0   0   0
  1   2   1

梯度幅值：

G = sqrt(Gx² + Gy²)

我个人的习惯是，Sobel 比拉普拉斯更稳定。因为它带了一点平滑（中间权重大），对噪声没那么敏感。但代价是边缘定位精度略低。

两种算子的对比

特性	拉普拉斯	Sobel
微分阶数	二阶	一阶
对噪声敏感度	高	中
边缘定位	精确	较粗
方向性	各向同性	有方向（水平/垂直）
我推荐场景	高质量图像、后处理精细调优	实时系统、噪声较大的输入

滤波与锐化的平衡关系

这是本章最核心的部分。滤波和锐化，本质上是一对矛盾体：

• 滤波（平滑）——去除噪声，但会模糊边缘
• 锐化——增强边缘，但会放大噪声

你想想看，这不就是跷跷板吗？压了一头，另一头就翘起来。

我的调优策略

做了这么多年，我总结了一套流程：

1. 先识别噪声类型——高斯噪声用高斯滤波，椒盐噪声用中值滤波，别搞混
2. 轻度滤波——不要一上来就大核，3×3 起步，不够再上 5×5
3. 锐化强度控制——用参数 α 控制叠加比例：g = f + α * (f - ∇²f)，α 通常 0.5~1.5
4. 局部自适应——平坦区域少锐化，边缘区域多锐化

避坑指南

我曾经在一个医疗影像项目里，为了追求边缘清晰度，把锐化参数拉到了 2.0。结果医生反馈说图像出现了「伪影」——就是那种沿着边缘的白色光晕。后来我把参数降到 1.2，再配合一个 3×3 的高斯预滤波，效果才合格。

所以我的建议是：宁可欠锐化，不要过锐化。过锐化引入的伪影，比噪声还难修。

本章知识体系

下面这张图，是我自己梳理的本章核心逻辑。你看一遍，应该能记住整个脉络。