📚 课程目录第4章中值滤波与椒盐噪声去除

4. 中值滤波与椒盐噪声去除：算法原理、自适应窗口、快速中值算法（O(1)复杂度）

椒盐噪声，说白了就是图像上随机出现的黑白点。你想想看，传感器坏点、传输误码，都容易搞出这种东西。我最早接触这个是在一个工业质检项目里，摄像头采集的电路板图像上全是白点，当时我第一反应是用均值滤波，结果噪声没去掉，边缘倒糊成一团了。

后来我才意识到，对付椒盐噪声，中值滤波才是正解。它不像均值滤波那样取平均，而是取邻域内所有像素的中间值。这个操作天然就能把那些极端亮或暗的噪声点给剔除掉。

4.1 算法原理：为什么中值能去椒盐？

中值滤波的核心思想很简单：

选定一个窗口（比如 3×3）。
把窗口内所有像素值排序。
取排序后的中间值，替换中心像素。

举个例子，一个 3×3 窗口里有 9 个像素，其中一个是 255（白噪声），其他都是正常值。排序后，255 会跑到最边上，中间那个值大概率是正常像素。这样一来，噪声就被“挤”出去了。

  关键区别：均值滤波会被噪声“带偏”，中值滤波则完全忽略极端值。对于椒盐噪声密度低于 50% 的情况，中值滤波几乎可以完美恢复。

我在项目中遇到过一种情况：椒盐噪声密度高达 60%，普通 3×3 中值滤波已经扛不住了。这时候就得加大窗口，或者用自适应方案。

4.2 自适应窗口：动态调整核大小

固定窗口有个问题：窗口太小，去不掉密集噪声；窗口太大，图像细节全没了。自适应窗口的思路是——根据局部噪声密度动态调整窗口大小。

噪声密度	推荐窗口	效果
< 20%	3×3	细节保留好，速度快
20% ~ 40%	5×5	平衡去噪与细节
40% ~ 60%	7×7 或更大	去噪强，但边缘会模糊

自适应窗口的算法流程大致是这样：

统计当前窗口内极值像素（0 或 255）的比例。
如果比例超过阈值（比如 30%），就扩大窗口。
重复直到极值比例降到安全范围，或者窗口达到上限。

我的经验：自适应窗口虽然效果好，但循环扩窗的过程很耗时。我一般会设一个最大窗口上限（比如 9×9），防止极端情况把性能拖垮。

4.3 快速中值算法：从 O(r²) 到 O(1)

传统中值滤波为什么慢？因为每个像素都要排序。窗口半径 r，排序复杂度 O(r² log r)。对于 3×3 窗口还好，但 7×7 窗口就要排 49 个数，一帧 1080p 图像算下来，慢得让人崩溃。

我记得第一次在嵌入式设备上跑中值滤波，帧率直接掉到个位数。后来我换成了快速中值算法，才把实时性救回来。

快速中值算法的核心思想是直方图 + 滑动窗口：

维护一个直方图，记录当前窗口内每个灰度值的出现次数。
窗口向右滑动时，移除左列像素，加入右列像素，只更新直方图。
从直方图中累加计数，找到中值位置。

这样做的好处是：每个像素的更新操作是 O(1) 的，不再依赖窗口大小。

注意：直方图法只适用于灰度图。如果是彩色图像，需要对每个通道分别处理，或者转换到 YUV 空间只处理 Y 通道。

4.3.1 算法步骤详解

初始化：对第一列窗口建立直方图，统计 0~255 每个灰度值的像素个数。
找中值：从 0 开始累加计数，直到累加和超过窗口像素数的一半，那个灰度值就是中值。
滑动：窗口右移一列，直方图减去左列像素，加上右列像素。
重复：对新直方图重新找中值。

代码实现大致如下：

// 快速中值滤波 - 单通道灰度图
void fastMedianFilter(uint8_t* src, uint8_t* dst, int width, int height, int radius) {
    int hist[256] = {0};
    int windowSize = 2 * radius + 1;
    int halfPixels = windowSize * windowSize / 2;

    for (int y = 0; y < height; y++) {
        // 重置直方图
        memset(hist, 0, sizeof(hist));
        
        // 初始化第一列窗口
        for (int j = 0; j < windowSize; j++) {
            for (int i = 0; i < windowSize; i++) {
                int px = src[(y + j) * width + i];
                hist[px]++;
            }
        }
        
        // 找中值
        int sum = 0;
        int median = 0;
        for (int k = 0; k < 256; k++) {
            sum += hist[k];
            if (sum > halfPixels) {
                median = k;
                break;
            }
        }
        dst[y * width + radius] = median;

        // 滑动窗口
        for (int x = radius + 1; x < width - radius; x++) {
            // 移除左列
            for (int j = 0; j < windowSize; j++) {
                int px = src[(y + j) * width + (x - radius - 1)];
                hist[px]--;
            }
            // 加入右列
            for (int j = 0; j < windowSize; j++) {
                int px = src[(y + j) * width + (x + radius)];
                hist[px]++;
            }
            // 重新找中值
            sum = 0;
            for (int k = 0; k < 256; k++) {
                sum += hist[k];
                if (sum > halfPixels) {
                    median = k;
                    break;
                }
            }
            dst[y * width + x] = median;
        }
    }
}

优化技巧：找中值时不需要每次都从 0 开始累加。可以记住上一次的中值位置，从那里开始累加，平均能减少一半的查找时间。

4.4 中值滤波的变体与选型

实际项目中，我很少直接用标准中值滤波。根据场景不同，我会选这些变体：

变体名称	适用场景	优缺点
加权中值滤波	需要保留边缘细节	中心像素权重更高，边缘更清晰
多级中值滤波	高密度噪声	多次迭代，去噪彻底但耗时
开关中值滤波	混合噪声（椒盐+高斯）	先检测噪声点，只对噪声点滤波
矢量中值滤波	彩色图像	在 RGB 向量空间找中值，避免颜色失真

我曾经在一个监控项目里用过开关中值滤波。场景是夜间摄像头，既有椒盐噪声又有高斯噪声。先做一个噪声检测，只对检测到的噪声点应用中值滤波，正常像素不动。这样既去了噪，又保住了细节。

4.5 知识结构图：中值滤波核心逻辑

下面这张图帮你理清中值滤波的完整知识体系：

4.6 避坑指南

最后分享几个我踩过的坑：

窗口大小选错：我曾经在一个项目里直接用 7×7 窗口处理低噪声图像，结果图像糊得像油画。后来改成自适应窗口，问题才解决。
边界处理不当：图像边缘的像素窗口会越界。我习惯用镜像填充，效果比补零好很多。
彩色图像直接滤波：在 RGB 三个通道分别做中值滤波，容易产生颜色偏移。建议转 YUV 只处理 Y 通道，或者用矢量中值滤波。
直方图溢出：快速中值算法里，直方图更新时要注意像素值范围。我遇到过 uint8_t 溢出导致直方图计数错误，排查了半天才发现。

性能警告：快速中值算法虽然 O(1)，但直方图查找中值仍然需要遍历 256 个灰度级。如果图像位深是 12bit 或 16bit，直方图会膨胀到 4096 或 65536 个 bin，查找开销会显著增加。这时候可以考虑用二分查找优化。

嗯，中值滤波这部分就讲到这里。记住一句话：对付椒盐噪声，中值滤波是首选；要实时，就用快速中值算法。