📚 课程目录第2章实时降噪算法概览

2. 实时降噪算法概览：空间域、频率域与时域滤波

降噪这事儿，说白了就是在「保留细节」和「抹掉噪声」之间找平衡。我做了这么多年图像处理，见过太多调参调到头秃的案例——要么画面糊成一片，要么噪声纹丝不动。今天咱们就把三大类滤波方法掰开揉碎了讲清楚。

核心思路：实时降噪没有银弹。空间域快但容易丢细节，频率域精准但计算重，时域效果好但怕运动。实际项目中往往是三者的组合拳。

空间域滤波，就是直接在像素点上做运算。每个输出像素的值，由它周围邻域内的像素共同决定。你想想看，这就像拿一个「小窗口」在图像上滑动，窗口中心的值被邻居们「投票」决定。

最简单的做法。把窗口内所有像素取平均，赋值给中心点。我记得刚入行时觉得这方法太粗暴了，后来发现它在某些场景下其实很管用——比如去除均匀分布的高斯噪声。

// 3x3 均值滤波核
float kernel[3][3] = {
    {1/9, 1/9, 1/9},
    {1/9, 1/9, 1/9},
    {1/9, 1/9, 1/9}
};

⚠ 避坑指南：我曾经在一个工业检测项目里直接用均值滤波，结果边缘全糊了，缺陷检测率直接掉到60%。均值滤波最大的问题就是「一视同仁」——它不管你是不是边缘，统统拉平。所以后来我养成了习惯：用均值滤波前，先做边缘检测，只在平坦区域应用。

高斯滤波给邻域像素加了权重——离中心越近，权重越大。这比均值滤波聪明多了。我个人习惯用 σ=1.0 的 5×5 高斯核做轻度降噪，效果很自然。

💡 我的经验：高斯滤波的 σ 值不要超过核半径。比如 5×5 的核，σ 最大设到 2.0 就够了。再大，外围像素权重几乎为零，等于白算。

中值滤波把窗口内像素排序，取中间值。这招对付椒盐噪声简直是绝杀。我做过一个安防摄像头项目，画面里全是黑白噪点，均值和高斯都搞不定，换成中值滤波，一帧就干净了。

但中值滤波有个致命伤——慢。排序操作在嵌入式设备上很吃性能。我建议只在椒盐噪声明显的场景用，或者用快速中值算法（比如 O(1) 的中值滤波实现）。

空间域搞不定的时候，试试频率域。说白了就是把图像从像素空间变换到频率空间——噪声通常集中在高频区域，细节也在高频，但两者的频率分布有差异。

低通滤波保留低频（平滑区域），抑制高频（噪声和边缘）。我建议用巴特沃斯低通滤波器，它的过渡带比理想低通更平滑，不会产生振铃效应。

// 巴特沃斯低通滤波器传递函数
// D0: 截止频率, n: 阶数
float H = 1.0 / (1.0 + pow(D(u,v) / D0, 2*n));

关键参数：截止频率 D0 决定了保留多少细节。D0 太小，图像模糊；D0 太大，噪声没滤干净。我一般从 D0 = 图像尺寸的 10% 开始调，上下浮动 5% 看效果。

带阻滤波针对特定频率范围的噪声。比如 50Hz 的工频干扰、莫尔条纹，这些噪声在频谱上表现为一个「亮环」。用带阻滤波器把这个环挖掉就行。

我记得有一次处理医疗内窥镜图像，画面里全是周期性条纹。空间域怎么搞都搞不干净，转到频率域一看，好家伙，一个明亮的圆环。用带阻滤波器精准切除，画面瞬间干净了。

时域滤波利用多帧信息。你想想看，噪声是随机的，但真实场景是稳定的。多帧平均一下，噪声就互相抵消了。

最简单的时域方法。连续 N 帧取平均，噪声功率降低到原来的 1/N。但前提是场景不能动——动起来就重影了。

⚠ 注意：帧平均不是帧数越多越好。N 超过 8 之后，降噪收益递减，但运动模糊的风险直线上升。我一般控制在 4-6 帧。

运动补偿解决了帧平均的「怕动」问题。先估计帧间的运动矢量，然后把前一帧的像素对齐到当前帧，再做平均。这样既降噪又不产生重影。

我曾经在手机视频防抖项目里用过运动补偿降噪。流程大概是：

💡 我的建议：运动补偿的计算量很大。在移动端，我通常只用 3×3 的块匹配，搜索范围控制在 ±4 像素。再大，功耗就压不住了。