📚 课程目录第2章空域降噪原理

2、空域降噪原理：均值滤波、高斯滤波、中值滤波的原理与实现、双边滤波的保边降噪特性

空域降噪，说白了就是直接在像素点上做文章。不涉及频域变换，不搞小波分解，就是拿当前像素和它周围的邻居们算一笔账。安防监控里最常见的噪声——传感器热噪声、低照度下的光子散粒噪声，大部分都能用空域滤波压下去。

我个人习惯把空域降噪分成两类：线性滤波和非线性滤波。均值、高斯属于前者，中值、双边属于后者。今天咱们把这四种滤波器的底裤都扒干净。

2.1 均值滤波：最朴素的平滑

均值滤波的思路简单到令人发指：把一个像素的值，替换成它周围邻域内所有像素的平均值。

比如一个 3×3 的窗口，中心像素原来是 120，周围八个像素分别是 110、115、125……算个平均数，把 120 改成这个平均数。就这么干。

  核心公式：

  g(x,y) = (1 / (m×n)) × Σ f(i,j)  (i,j ∈ 邻域)

代码实现也很直白：

// 均值滤波 3x3 实现（C语言风格伪代码）
void meanFilter(unsigned char* src, unsigned char* dst, int width, int height) {
    int kernel[3][3] = {{1,1,1},{1,1,1},{1,1,1}};
    int ksum = 9;
    for(int y=1; y<height-1; y++) {
        for(int x=1; x<width-1; x++) {
            int sum = 0;
            for(int ky=-1; ky<=1; ky++)
                for(int kx=-1; kx<=1; kx++)
                    sum += src[(y+ky)*width + (x+kx)];
            dst[y*width + x] = sum / ksum;
        }
    }
}

但均值滤波有个致命伤——它不区分边缘和平坦区域。边缘处的像素差值大，一平均，边缘就糊了。我在做早期IPC项目时，用过均值滤波做预处理，结果画面像蒙了一层雾，细节全没了。后来再也没敢这么干。

避坑指南： 均值滤波会同时模糊噪声和边缘。安防监控中，除非你只做极轻度的平滑（比如 3×3 窗口，权重均匀），否则不建议单独使用。它更适合做其他算法的预处理步骤。

2.2 高斯滤波：给邻居加权重

高斯滤波比均值滤波聪明一点。它认为：离中心像素越近的邻居，对当前像素的影响应该越大。这个权重由高斯函数决定。

二维高斯函数的形状像个钟，中心高、两边低。用这个函数生成一个卷积核，再和图像做卷积，就是高斯滤波。

  高斯核生成公式：

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

σ（标准差）控制着核的扩散程度。σ 越大，核越平缓，平滑效果越强；σ 越小，核越尖锐，保留细节越多。

一个典型的 5×5 高斯核（σ=1.0）长这样：

1	4	7	4	1
4	16	26	16	4
7	26	41	26	7
4	16	26	16	4
1	4	7	4	1

实际使用时，会把所有系数除以总和做归一化。上面的核总和是 273，每个系数除以 273 就是最终权重。

高斯滤波比均值滤波好在哪里？它保留了更多的边缘信息，因为中心像素自己的权重最大。但说实话，它本质上还是低通滤波，边缘还是会模糊，只是程度轻一些。

经验值： 安防监控中，高斯滤波的 σ 通常取 0.8~1.5。σ 超过 2.0 时，画面会明显变糊，只适合做极强降噪的场景。我一般把 σ 设在 1.0~1.2 之间，配合后续锐化使用。

2.3 中值滤波：对付椒盐噪声的利器

中值滤波的思路完全不同。它不求和，不求平均，而是把邻域内的像素值排序，取中间那个值作为输出。

为什么中值滤波能干掉椒盐噪声？你想想看，椒盐噪声是极端值——要么特别亮（255），要么特别暗（0）。排序之后，极端值会被挤到两端，中间那个值大概率是正常像素。所以中值滤波对椒盐噪声几乎是免疫的。

实现代码：

// 中值滤波 3x3 实现
void medianFilter(unsigned char* src, unsigned char* dst, int width, int height) {
    int window[9];
    for(int y=1; y<height-1; y++) {
        for(int x=1; x<width-1; x++) {
            int idx = 0;
            for(int ky=-1; ky<=1; ky++)
                for(int kx=-1; kx<=1; kx++)
                    window[idx++] = src[(y+ky)*width + (x+kx)];
            // 排序取中值（这里用冒泡示意，实际工程用快速选择）
            for(int i=0; i<9; i++)
                for(int j=i+1; j<9; j++)
                    if(window[i] > window[j]) {
                        int tmp = window[i];
                        window[i] = window[j];
                        window[j] = tmp;
                    }
            dst[y*width + x] = window[4]; // 第5个元素是中值
        }
    }
}

中值滤波有个特点：它保护边缘的能力比高斯滤波强。因为边缘处的像素值差异大，但排序后边缘像素仍然能保留在中间位置。不过中值滤波对高斯噪声（那种均匀分布的噪声）效果一般，因为高斯噪声没有极端值，排序后中值还是被污染了。

注意： 中值滤波的计算量比均值和高斯大得多。排序操作在嵌入式平台上很费时间。我曾在海思3516上做过优化，用「快速中值算法」把 5×5 窗口的排序从 O(n²) 降到 O(n)，才勉强跑满 25fps。如果你在低端芯片上做中值滤波，建议窗口不超过 3×3。

2.4 双边滤波：保边降噪的扛把子

前面三种滤波都有一个共同问题：它们不分青红皂白，把整个邻域都拿来平均。边缘处的像素值差异大，一平均就糊了。

双边滤波的聪明之处在于：它同时考虑空间距离和像素值差异两个因素。

空间权重：离中心越近，权重越大（和高斯滤波一样）
值域权重：像素值越接近中心像素，权重越大；差异越大，权重越小

这样一来，在平坦区域，所有像素的值都差不多，值域权重接近1，双边滤波退化为高斯滤波，平滑噪声。在边缘处，边缘两侧的像素值差异大，值域权重变得很小，这些像素对中心像素几乎没有贡献，边缘就被保留下来了。

  双边滤波公式：

  g(x,y) = (1/W) × Σ Gs(||(x,y)-(i,j)||) × Gr(|f(x,y)-f(i,j)|) × f(i,j)

其中 G_s 是空间高斯核，G_r 是值域高斯核，W 是归一化系数。

实现时有两个关键参数：

参数	含义	典型值	影响
σ_s	空间标准差	3~10	控制空间邻域大小，越大平滑越强
σ_r	值域标准差	10~50	控制像素值差异的容忍度，越大越接近高斯滤波

我在做低照度监控时，经常把 σ_s 设在 5~8，σ_r 设在 20~30。这样既能压住噪声，又能保住车牌、人脸等关键细节。

实战技巧： 双边滤波的计算量很大，因为每个像素都要重新计算权重。工程上常用「近似双边滤波」或「引导滤波」来加速。如果你在 FPGA 上实现，可以用查表法预计算值域权重，能省掉大量浮点运算。

2.5 四种滤波器的对比与选型

我把这四种滤波器的特性整理成一张表，方便你对照选型：

滤波器	类型	噪声抑制	边缘保护	计算量	典型场景
均值滤波	线性	弱	差	极低	预处理、简单平滑
高斯滤波	线性	中	中	低	通用降噪、尺度空间
中值滤波	非线性	椒盐噪声强	好	中	椒盐噪声、脉冲噪声
双边滤波	非线性	强	极好	高	保边降噪、美颜、HDR

选型时我的经验是：

如果噪声是高斯型的（热噪声），优先用高斯滤波或双边滤波
如果画面有大量椒盐噪声（传感器坏点、传输误码），中值滤波是首选
如果既要降噪又要保边，别犹豫，上双边滤波
如果芯片算力有限，用高斯滤波+后续锐化来模拟双边效果

2.6 知识体系结构图

下面这张图把四种滤波器的核心逻辑串起来了，你可以看到它们之间的演进关系：