4. 空域降噪基础：均值滤波、高斯滤波、中值滤波原理、在Y/U/V分量上的应用差异

各位同学，今天我们进入空域降噪的第一课。说白了，空域降噪就是直接在像素点上做文章——用周围像素的信息来“修复”当前像素。听起来简单，但里面的门道不少。我在ISP调试初期，就因为在Y分量上用了不对路的滤波器，结果纹理糊得一塌糊涂，被算法总监叫去“喝茶”……嗯，从那以后我对这三个基础滤波器的脾气算是摸透了。

4.1 均值滤波：最朴素，但代价不小

均值滤波的原理，你想想看，就是取一个窗口内所有像素的平均值，替代中心像素。比如一个3x3的窗口，把9个像素加起来除以9，完事。

// 均值滤波核心（3x3窗口）
uint8_t mean_filter(uint8_t window[3][3]) {
    uint32_t sum = 0;
    for (int y = 0; y < 3; y++)
        for (int x = 0; x < 3; x++)
            sum += window[y][x];
    return (uint8_t)(sum / 9);
}

我在项目中遇到过一个问题：用均值滤波去处理Y分量的高斯噪声，效果还行，但一旦遇到边缘，立马露馅。边缘两侧的像素值差异大，一平均，边缘就模糊了。说白了，均值滤波把噪声和边缘信息“一视同仁”地抹平了。

特性	均值滤波
噪声抑制能力	中等（对高斯噪声有效，对椒盐噪声无效）
边缘保留能力	差（边缘模糊严重）
计算复杂度	低（O(n²)）
适用场景	预处理、对细节要求不高的场景

4.2 高斯滤波：给邻域像素“论资排辈”

高斯滤波比均值滤波聪明一点。它不再平均分配权重，而是根据像素到中心点的距离，按高斯分布分配权重。离中心越近，权重越大；越远，权重越小。

// 3x3高斯核（σ≈0.85）
const float gauss_kernel[3][3] = {
    {1.0/16, 2.0/16, 1.0/16},
    {2.0/16, 4.0/16, 2.0/16},
    {1.0/16, 2.0/16, 1.0/16}
};

uint8_t gauss_filter(uint8_t window[3][3]) {
    float sum = 0.0f;
    for (int y = 0; y < 3; y++)
        for (int x = 0; x < 3; x++)
            sum += window[y][x] * gauss_kernel[y][x];
    return (uint8_t)(sum + 0.5f);
}

我个人习惯在Y分量上优先考虑高斯滤波，因为它对纹理的保留比均值滤波好不少。但要注意σ的选择——σ太小，降噪效果差；σ太大，又回到均值滤波的老路上了。

特性	高斯滤波
噪声抑制能力	中等偏上（对高斯噪声效果好）
边缘保留能力	中等（比均值滤波好，但仍会模糊边缘）
计算复杂度	中等（需要浮点或定点乘法）
适用场景	Y分量轻度降噪、U/V分量预处理

4.3 中值滤波：专治“椒盐噪声”

中值滤波的思路完全不同——它取窗口内所有像素的中间值，而不是平均值。这个“中间值”是什么意思？就是把像素值排序，取排在中间的那个。

// 中值滤波核心（3x3窗口）
uint8_t median_filter(uint8_t window[3][3]) {
    uint8_t temp[9];
    int idx = 0;
    for (int y = 0; y < 3; y++)
        for (int x = 0; x < 3; x++)
            temp[idx++] = window[y][x];
    // 简单排序取中值（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 (temp[i] > temp[j]) {
                uint8_t t = temp[i];
                temp[i] = temp[j];
                temp[j] = t;
            }
    return temp[4]; // 第5个元素是中值
}

中值滤波对椒盐噪声简直是“天生克星”。为什么？因为椒盐噪声是极端值（要么0，要么255），排序后它们会被挤到两端，中间值根本不受影响。我在项目中遇到过传感器坏点导致的椒盐噪声，均值滤波和高斯滤波都搞不定，换成中值滤波，瞬间干净了。

特性	中值滤波
噪声抑制能力	对椒盐噪声极强，对高斯噪声一般
边缘保留能力	强（边缘不会模糊）
计算复杂度	高（需要排序，O(n² log n)）
适用场景	坏点校正、椒盐噪声场景、边缘保护需求

4.4 Y/U/V分量上的应用差异

好了，三个滤波器讲完了。但真正到ISP里，你不能对Y、U、V三个分量“一视同仁”。它们各自的特点决定了滤波策略必须不同。

我个人的经验是：Y分量是“精细活”，U/V分量是“粗活”。Y分量承载了人眼最敏感的亮度信息，滤波稍有不慎，纹理、边缘、细节全没了。U/V分量则不然，人眼对色度细节的敏感度只有亮度的一半左右，所以滤波可以“下重手”。

4.5 三种滤波器的对比与选型

最后，我把三个滤波器放在一起做个对比。你想想看，选型的时候其实就是在“噪声类型”、“细节保留”、“计算资源”三个维度上做权衡。

维度	均值滤波	高斯滤波	中值滤波
噪声类型适配	高斯噪声	高斯噪声	椒盐噪声
边缘保留	差	中	好
纹理保留	差	中	好（但可能产生油画效应）
计算开销	低	中	高
Y分量适用性	不推荐	推荐	仅限坏点场景
U/V分量适用性	可接受	推荐	不推荐