3. 经典降噪算法（空间域）：均值滤波、高斯滤波、中值滤波

低照度图像，说白了就是信噪比极低。噪点像沙子一样铺满画面，暗部细节几乎被淹没。这时候你第一个想到的，往往是空间域滤波——直接在像素点上做文章。

这一章我们聊三种最经典的算法：均值滤波、高斯滤波、中值滤波。它们原理简单，实现也不复杂，但用在低照度场景下，各有各的“坑”。

3.1 均值滤波：最朴素的想法

均值滤波的思路很直接：用邻域内所有像素的平均值代替中心像素。你想想看，如果噪点是随机独立的，平均一下应该能抵消一部分。

数学上就是：

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

其中 m×n 是核大小，f 是输入图像，g 是输出。

我在项目中遇到过一件事：用 5×5 均值滤波处理一张夜间监控画面，噪点确实少了，但车牌上的数字直接糊成一团。嗯，这就是均值滤波的代价——它把所有像素“一视同仁”，边缘和噪声一起被抹平。

3.2 高斯滤波：加权的智慧

高斯滤波比均值滤波聪明一点。它不再简单平均，而是根据距离中心像素的远近，赋予不同的权重——越近权重越大，越远权重越小。权重由高斯函数决定。

二维高斯函数：

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

σ 控制着权重的分布范围。σ 越大，权重分布越平坦，滤波效果越接近均值滤波；σ 越小，中心像素的权重越大，保留细节的能力越强。

参数	作用	低照度场景建议
核大小	决定邻域范围	3×3 或 5×5，过大则细节全失
σ	控制权重分布	0.8~1.5，太小降噪不足，太大边缘模糊

我个人习惯在低照度场景下先用 σ=1.0 的 3×3 高斯滤波试水。为什么？因为 3×3 核计算量小，σ=1.0 能在降噪和保边之间取得一个相对平衡的点。

高斯滤波的局限性也很明显：它本质上还是低通滤波。低照度图像中的噪声和细节在频域上往往重叠严重，高斯滤波在抑制噪声的同时，必然损失高频细节。

3.3 中值滤波：对抗异常值的利器

中值滤波的思路完全不同。它不再做加权平均，而是取邻域内所有像素的中位数作为输出。

步骤很简单：

1. 将邻域内的像素值排序
2. 取中间位置的值
3. 赋值给中心像素

为什么中值滤波对椒盐噪声特别有效？因为椒盐噪声是极端的亮或暗点，排序后它们会跑到序列的两端，中位数根本不受影响。

但中值滤波在低照度场景下也有自己的问题。低照度图像中的噪声往往是高斯噪声和散粒噪声的混合体，不是单纯的椒盐噪声。中值滤波对高斯噪声的抑制能力其实一般——它只是“跳过”了极端值，但对均匀分布的噪声没有平均效果。

3.4 三种算法的核心对比

指标	均值滤波	高斯滤波	中值滤波
降噪能力（高斯噪声）	中等	较好	一般
降噪能力（椒盐噪声）	差	差	优秀
边缘保留	差	中等	较好
计算复杂度	O(n²)	O(n²)	O(n² log n)
低照度场景适用性	低	中等	中等（需配合其他算法）

你想想看，这三种算法其实都是“一刀切”的思路——用一个固定的核去处理整张图像。低照度场景下，不同区域的噪声水平差异很大：暗区噪声大，亮区噪声小。固定核的滤波方法很难兼顾全局。

3.5 知识结构图：空间域降噪算法全景

3.6 代码实现：从原理到实战

下面我用 Python + OpenCV 实现这三种滤波，并对比它们在低照度场景下的表现。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取低照度图像（假设已有）
img = cv2.imread('low_light.jpg', cv2.IMREAD_GRAYSCALE)

# 均值滤波
mean_blur = cv2.blur(img, (5, 5))

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1.0)

# 中值滤波
median_blur = cv2.medianBlur(img, 5)

# 显示对比
plt.figure(figsize=(12, 8))
plt.subplot(2, 2, 1), plt.imshow(img, cmap='gray'), plt.title('原始低照度图像')
plt.subplot(2, 2, 2), plt.imshow(mean_blur, cmap='gray'), plt.title('均值滤波 5×5')
plt.subplot(2, 2, 3), plt.imshow(gaussian_blur, cmap='gray'), plt.title('高斯滤波 5×5 σ=1.0')
plt.subplot(2, 2, 4), plt.imshow(median_blur, cmap='gray'), plt.title('中值滤波 5×5')
plt.tight_layout()
plt.show()