4. 空域降噪算法：均值滤波、高斯滤波、中值滤波的原理与实现

说到夜景降噪，空域滤波是最基础、最直观的一类方法。说白了，就是直接在像素点上做运算，用周围邻居的信息来“修复”当前像素。我刚开始接触图像处理时，就是从这三个滤波器入手的。别看它们简单，在夜景流水线上，它们依然是很多预处理环节的基石。

4.1 均值滤波：最简单的平滑器

均值滤波的思路非常朴素——用一个窗口扫过图像，把窗口内所有像素的平均值赋给中心点。

公式长这样：

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

其中 m×n 是窗口大小，比如 3×3、5×5。

我个人的习惯是：在调试初期，先用均值滤波快速验证降噪流程是否跑得通。因为它计算量最小，出bug的概率也低。

但说实话，夜景图像里最头疼的不是高斯噪声，而是椒盐噪声（那些黑白点）。均值滤波遇到椒盐噪声，会把噪声点“扩散”到整个窗口，结果就是整块区域都脏了。嗯，这里要注意——均值滤波不适合处理椒盐噪声。

4.2 高斯滤波：给邻居排个队

高斯滤波和均值滤波的区别在哪？说白了，就是权重不同。高斯滤波认为：离中心越近的像素，贡献应该越大；离得越远的，贡献小一些。这个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（标准差）控制着权重的分布。σ越大，权重分布越平坦，平滑效果越强；σ越小，中心权重越突出，保留细节越多。

我在项目中遇到过一个问题：夜景图像中暗部区域的信噪比极低，用高斯滤波时如果σ选得太大，暗部细节全糊成一团；选得太小，噪声又去不掉。后来我总结了一个经验——σ取窗口大小的 1/6 左右，比如 5×5 窗口，σ≈0.8，效果比较均衡。

窗口大小	推荐 σ	适用场景
3×3	0.5 ~ 0.6	轻度噪声，细节保留优先
5×5	0.8 ~ 1.0	中等噪声，夜景常用
7×7	1.2 ~ 1.5	强噪声，但边缘会明显模糊

4.3 中值滤波：椒盐噪声的克星

中值滤波的思路完全不同——它不求和，也不加权，而是排序取中间值。把窗口内所有像素按灰度值排序，取中间那个值作为输出。

举个例子，3×3 窗口内有 9 个像素值：

[12, 15, 18, 20, 22, 25, 28, 30, 255]  ← 255是椒盐噪声点
排序后：12, 15, 18, 20, 22, 25, 28, 30, 255
中值 = 22

你看，255 这个异常值直接被排除了。这就是中值滤波对付椒盐噪声的绝招。

我曾经踩过一个坑：在夜景图像中，中值滤波对高斯噪声的效果其实一般。因为高斯噪声是均匀分布的，排序后中值并不能有效滤除。所以别指望中值滤波能包治百病。

4.4 三种滤波器的对比

你想想看，这三种滤波器各有各的脾气。我整理了一张对比表，方便你快速决策：

滤波器	核心思想	噪声类型	边缘保留	计算速度
均值滤波	平均	高斯噪声	差	最快
高斯滤波	加权平均	高斯噪声	中等	快
中值滤波	排序取中	椒盐噪声	好	较慢

4.5 代码实现示例

下面我用 Python 和 OpenCV 演示一下三种滤波器的调用方式。实际项目中，你可能会用 C++ 或汇编优化，但原理是一样的。

import cv2
import numpy as np

# 读取夜景图像
img = cv2.imread('night_scene.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), 0.8)

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

# 保存结果
cv2.imwrite('mean_result.jpg', mean_blur)
cv2.imwrite('gaussian_result.jpg', gaussian_blur)
cv2.imwrite('median_result.jpg', median_blur)

代码很简单，但参数调起来有讲究。我个人习惯是先固定窗口大小，然后调 σ 或迭代次数，观察效果变化。

4.6 本章知识体系

下面这张图帮你理清三种滤波器的关系和应用场景：

三种滤波器各有千秋。均值滤波最简单，高斯滤波最常用，中值滤波最擅长处理椒盐噪声。在夜景降噪的实际流程中，我通常会把它们组合使用——先用中值滤波去掉明显的椒盐噪声，再用高斯滤波平滑高斯噪声。当然，这只是基础，后面还有更高级的算法等着我们。