4、YUV域去噪基础：空域去噪与时域去噪

各位好，欢迎来到第四章。这一章我们聊聊去噪——ISP 流水线里最吃经验、也最见功力的环节之一。噪点这东西，你想想看，它就像照片里的沙子，不处理不行，处理过了又容易把细节磨平。我刚开始做 ISP 的时候，就吃过这个亏，后面会跟大家细说。

YUV 域的去噪，说白了就是在亮度（Y）和色度（UV）上分别做文章。为什么不在 RGB 域做？因为人眼对亮度的敏感度远高于色度，分开处理可以更精细地控制。好，我们直接进入正题。

4.1 空域去噪：三种经典方法

空域去噪，就是只利用当前帧的像素信息，不考虑前后帧。优点是实现简单、延迟低；缺点是容易丢细节。我个人的习惯是，在低光场景下优先考虑空域去噪，因为运动场景下时域去噪容易拖影。

4.1.1 均值滤波

均值滤波是最朴素的方法。它用一个窗口（比如 3x3）内的像素平均值，替换中心像素的值。

// 3x3 均值滤波核
[1/9, 1/9, 1/9]
[1/9, 1/9, 1/9]
[1/9, 1/9, 1/9]

效果呢？噪点被抹平了，但边缘也糊了。我在一个低端手机项目里试过，拍文字的时候，边缘直接变成一团。所以均值滤波现在基本只用在预处理阶段，或者对画质要求不高的场景。

4.1.2 高斯滤波

高斯滤波比均值滤波聪明一点。它根据像素到中心点的距离，分配不同的权重——越近权重越大，越远权重越小。这样能保留更多边缘信息。

// 3x3 高斯滤波核 (sigma ≈ 0.85)
[1/16, 2/16, 1/16]
[2/16, 4/16, 2/16]
[1/16, 2/16, 1/16]

高斯滤波在 YUV 域用得很多，尤其是对 Y 分量做轻度去噪。我建议 sigma 值不要超过 1.0，否则边缘会开始模糊。高通平台里，高斯滤波经常作为 MCTF 的前置处理，用来降低时域匹配的噪声干扰。

4.1.3 中值滤波

中值滤波是椒盐噪声的克星。它取窗口内所有像素的中位数，而不是平均值。这样，一个孤立的噪点（比如 255 或 0）会被直接忽略。

// 3x3 窗口示例
[10, 12, 11]
[13, 255, 14]  // 255 是噪点
[11, 12, 10]

// 排序后：10,10,11,11,12,12,13,14,255
// 中位数：12

中值滤波的缺点是计算量大——每次都要排序。高通平台有硬件加速，但软件实现的话，3x3 窗口还能接受，5x5 以上就有点吃力了。我一般只在 UV 分量上用中值滤波，因为色度噪声通常是孤立的彩色噪点，中值滤波效果很好。

4.2 时域去噪原理

时域去噪，就是利用前后帧的信息来降噪。核心思想是：如果某个像素在连续几帧里位置不变，那它的平均值就是真实值；如果变了，那就是运动，不能平均。

时域去噪的公式很简单：

Output(t) = α * Input(t) + (1 - α) * Output(t-1)

其中 α 是融合系数。α 越大，当前帧的权重越大，去噪效果越弱，但运动拖影越少。α 越小，去噪效果越强，但运动拖影越明显。

这里有个关键问题：怎么判断像素是否在运动？

答案是运动检测。通常的做法是计算当前帧和参考帧的像素差值，如果差值大于某个阈值，就认为发生了运动，此时增大 α 值，减少时域融合。

4.3 高通 MCTF 模块

MCTF（Motion Compensated Temporal Filtering）是高通平台上的时域去噪模块。它比普通的时域去噪多了一步——运动补偿。

什么意思呢？普通的时域去噪假设像素位置不变，但实际场景中物体是运动的。MCTF 会先做运动估计，找到当前帧像素在参考帧中的对应位置，然后再做时域融合。这样即使物体在运动，也能正确地进行时域去噪，不会产生拖影。

MCTF 的流程大致如下：

1. 运动估计：将当前帧分成小块（比如 16x16），在参考帧中搜索最匹配的位置，得到运动矢量。
2. 运动补偿：根据运动矢量，将参考帧的像素“搬”到当前帧的位置。
3. 时域滤波：对运动补偿后的参考帧和当前帧做加权平均。
4. 后处理：对滤波结果做边缘保护，防止过度平滑。

MCTF 的参数配置非常关键。我列一个常用的参数表：

MCTF 还有一个重要的变体——MCTF with Overlap。它让相邻块之间有重叠区域，可以减少块效应。但代价是计算量增加 20% 左右。我个人建议，在 4K 以上的分辨率场景开启，1080p 以下可以关掉。

最后，我们来看一张 MCTF 的整体流程图，帮助大家理解各个模块的关系：

这张图把 MCTF 的核心流程串起来了。从当前帧输入，到运动估计、运动补偿、时域滤波，最后输出去噪后的帧。虚线表示参考帧的更新路径——每一帧处理完后，都会作为下一帧的参考。