3. 降噪滤波器原理（上）：均值、高斯与中值滤波

各位同学，咱们今天聊聊降噪滤波器的基本功。说实话，ISP 流水线里，降噪这块是最容易上手，也最容易翻车的地方。我见过不少新手，一上来就上大核滤波器，结果图像糊得像油画，边缘细节全没了。

今天咱们先啃三块硬骨头：均值滤波、高斯滤波、中值滤波。这三兄弟是后面所有高级降噪算法的基础。你想想看，连它们都搞不明白，后面那些双边滤波、非局部均值就更别想了。

3.1 均值滤波：简单粗暴的“平均主义”

均值滤波，说白了就是“和稀泥”。把目标像素周围一圈像素的值加起来，取个平均值，然后把这个平均值赋给目标像素。

它的数学表达很简单：

g(x, y) = (1 / (m × n)) × Σ f(i, j)

其中 m×n 是滤波器窗口大小，f(i,j) 是原始像素值，g(x,y) 是滤波后的值。

举个例子，一个 3×3 的均值滤波核长这样：

1/9	1/9	1/9
1/9	1/9	1/9
1/9	1/9	1/9

所有系数加起来等于 1，保证亮度不变。

我在项目中遇到过一件事。有一次做低端手机摄像头调试，Sensor 噪声很大，工程师直接上了 7×7 均值滤波。结果呢？人脸拍出来像打了马赛克，边缘全糊了。后来我换成了高斯滤波，效果好了不少。

3.2 高斯滤波：带权重的“民主投票”

高斯滤波比均值滤波聪明一点。它知道离中心越近的像素越重要，所以给它们更高的权重。这个权重分布，就是高斯函数。

二维高斯函数的数学表达：

G(x, y) = (1 / (2πσ²)) × exp(-(x² + y²) / (2σ²))

其中 σ 是标准差，控制着权重的衰减速度。σ 越大，权重分布越平坦，滤波效果越接近均值滤波。

一个 3×3 的高斯滤波核（σ=1.0）长这样：

1/16	2/16	1/16
2/16	4/16	2/16
1/16	2/16	1/16

你看，中心像素的权重是 4/16，是角落像素的 4 倍。这就是“民主投票”——离我近的，说话算数。

高斯滤波还有一个好处——它是可分离的。什么意思？一个二维高斯核可以拆成两个一维高斯核的乘积。先对行做一维高斯滤波，再对列做一维高斯滤波。计算量从 O(n²) 降到 O(2n)。

# 可分离高斯滤波示意
# 先对每一行做一维高斯滤波
for each row:
    row_filtered = convolve(row, gaussian_kernel_1d)

# 再对每一列做一维高斯滤波
for each col:
    result = convolve(col_filtered, gaussian_kernel_1d)

3.3 中值滤波：专治“椒盐噪声”的偏方

中值滤波的思路完全不同。它不求和，不求平均，而是把窗口内的像素值排序，取中间那个值。

数学表达很简单：

g(x, y) = median{f(i, j) | (i, j) ∈ W}

其中 W 是窗口，median 是取中位数操作。

举个例子，一个 3×3 窗口内的像素值：

[120, 125, 130,
 118, 255, 128,   ← 255 是椒盐噪声
 122, 126, 124]

排序后：[118, 120, 122, 124, 125, 126, 128, 130, 255]
中位数：125

你看，255 这个噪声点被直接扔掉了。中值滤波对椒盐噪声几乎是“免疫”的。

中值滤波还有一个特点——它不产生新的像素值。所有输出值都是原始图像中真实存在的像素值。这对某些应用场景很重要，比如医学图像处理，不能引入虚假信息。

3.4 三种滤波器的对比与选择

咱们来做个对比，方便你以后选型：

特性	均值滤波	高斯滤波	中值滤波
噪声类型	高斯噪声（一般）	高斯噪声（较好）	椒盐噪声（优秀）
边缘保留	差	一般	较好
计算复杂度	低	中（可分离后低）	高（需要排序）
硬件实现	简单	中等	较复杂
适用场景	实时性要求高、噪声小	通用降噪、预处理	椒盐噪声、脉冲噪声

3.5 知识结构图

下面这张图帮你理清三种滤波器的核心逻辑：

3.6 实战中的调参思路

调参这件事，我踩过不少坑。给你几个实用建议：

1. 窗口大小从 3×3 开始。别一上来就 5×5、7×7。3×3 效果不够再往上加。
2. 高斯滤波先调 σ，再调窗口。σ 决定权重分布，窗口决定范围。σ 固定后，窗口大小取 3σ 左右就够了。
3. 中值滤波的窗口要奇数。3×3、5×5、7×7。偶数窗口取中位数会有歧义。
4. 边缘区域要特殊处理。我习惯在边缘用较小的窗口，或者干脆不做滤波。