2. 图像退化模型：运动模糊、噪声模型与低照度成像模型
做图像增强，第一步不是调算法，而是搞清楚——图像到底是怎么变差的。
我早年接手过一个安防项目，晚上监控画面全是雪花和拖影。老板说“你调调参数就行”，结果我折腾了两周，效果还不如原图。后来我才明白：不懂退化模型，调参就是瞎蒙。
这一节，咱们把三种最常见的退化模型掰开揉碎讲清楚。你理解了它们，后面的防抖和低照度增强才有根。
2.1 图像退化的通用数学框架
先说个通用公式。几乎所有退化过程，都能写成这样：
g(x,y) = h(x,y) * f(x,y) + n(x,y)其中：
- f(x,y) —— 原始清晰图像（你想恢复的那个）
- h(x,y) —— 退化函数（模糊核、点扩散函数 PSF）
- n(x,y) —— 加性噪声
- g(x,y) —— 观测到的退化图像
- * —— 卷积操作
说白了，你看到的烂图 = 好图被模糊了一下，再撒上一层噪声。这个框架虽然简单，但几乎所有去模糊、去噪、低照度增强算法，都是围绕它展开的。
核心思路： 图像复原的本质，就是已知 g 和部分先验信息，反推 f。但注意——h 和 n 通常也是未知的，这就是所谓的“盲复原”问题。
2.2 运动模糊模型
运动模糊，说白了就是曝光期间物体或相机在动。我做过一个手持夜景拍摄的项目，快门一慢，画面就糊成一片。那种模糊不是随机的，它有明确的方向和长度。
2.2.1 匀速直线运动模糊
最常见的运动模糊模型，是匀速直线运动。假设曝光时间 T 内，图像在水平方向移动了 L 个像素，那么它的点扩散函数（PSF）长这样：
h(x,y) =
1/L, 当 0 ≤ x ≤ L-1, y = 0
0, 其他情况嗯，就是一个均匀的“条状核”。如果运动方向是斜的，旋转一下就行。
| 参数 | 含义 | 典型值（手持拍摄） |
|---|---|---|
| L（模糊长度） | 曝光期间像素位移量 | 5~30 像素 |
| θ（模糊角度） | 运动方向与水平轴夹角 | 0°~360° |
| T（曝光时间） | 快门开启时长 | 1/30s ~ 1s |
避坑指南： 我曾经以为模糊长度 L 越大越好估计，结果发现当 L > 50 像素时，频域里的零点太多，反卷积反而会放大噪声。后来我学乖了——先做边缘检测，再在频域里找“暗条纹”来估计 L 和 θ。
2.2.2 频域特性
运动模糊在频域里有个很有意思的特性——零点条纹。水平运动模糊的频谱里，会出现一组平行的暗条纹，条纹间距和模糊长度 L 成反比。
为什么会这样？因为运动模糊相当于在空域做平均，在频域就是 sinc 函数。sinc 函数的零点，就是那些暗条纹的位置。
我常用这个特性来估计模糊参数：
- 对模糊图像做 FFT，得到频谱图
- 在频谱里找到暗条纹的方向（就是运动方向）
- 测量条纹间距，算出模糊长度 L
2.3 噪声模型
噪声这东西，你躲不开。传感器热噪声、光子散粒噪声、量化噪声……但别怕，大部分噪声都能用几个经典模型描述。
2.3.1 高斯噪声
最常见，也最好处理。它来自传感器热噪声、放大器噪声。概率密度函数：
p(z) = (1 / (σ√(2π))) * exp(-(z-μ)² / (2σ²))其中 μ 是均值（通常为 0），σ 是标准差（控制噪声强度）。
2.3.2 泊松噪声（散粒噪声）
低照度环境下，光子数量少，光子到达的随机性就特别明显。这就是泊松噪声。它的特点是：信号越强，噪声越大。
我做过一个星空摄影的项目，暗部全是颗粒感。那就是泊松噪声。高斯去噪一上去，星星细节全没了。后来改用泊松去噪模型，效果才出来。
| 噪声类型 | 来源 | 与信号关系 | 典型场景 |
|---|---|---|---|
| 高斯噪声 | 热噪声、放大器 | 独立于信号 | 传感器、传输 |
| 泊松噪声 | 光子散粒效应 | 方差 = 均值 | 低照度、医学成像 |
| 椒盐噪声 | 像素损坏、传输错误 | 随机黑白点 | 老旧传感器、无线传输 |
| 均匀噪声 | 量化、D/A 转换 | 均匀分布 | 量化误差 |
注意： 低照度图像中，泊松噪声和高斯噪声往往同时存在。我建议用“泊松-高斯混合模型”来描述，而不是单独用其中一种。否则去噪后要么残留噪声，要么过度平滑。
2.4 低照度成像模型
低照度图像，不只是“暗”那么简单。它有三个核心问题：
- 信噪比低 —— 信号弱，噪声相对突出
- 动态范围压缩 —— 暗部细节被量化到很窄的灰度区间
- 颜色偏移 —— 色彩通道增益不平衡，出现偏色
2.4.1 经典低照度模型
我常用的低照度成像模型是这样的：
g(x,y) = f(x,y) * t(x,y) + n(x,y)其中：
- f(x,y) —— 场景辐射度（真实亮度）
- t(x,y) —— 透射率/光照衰减因子（0~1）
- n(x,y) —— 噪声（泊松+高斯）
说白了，低照度就是光照不足 + 噪声放大。t(x,y) 越小，说明那个区域越暗，噪声越明显。
2.4.2 Retinex 理论
说到低照度增强，绕不开 Retinex。它把人眼感知的亮度分解成两部分：
S(x,y) = R(x,y) · L(x,y)- S —— 观测到的图像
- R —— 反射分量（物体固有属性）
- L —— 光照分量（环境照明）
增强的目标，就是估计并去除 L，保留 R。我做过一个夜间视频增强项目，直接用 Retinex 分解，然后对 L 做 Gamma 校正，对 R 做对比度拉伸。效果比单纯直方图均衡好得多。
我的经验： Retinex 分解时，光照分量 L 的估计很关键。我习惯用引导滤波（Guided Filter）代替传统高斯滤波，边缘保持更好，不会出现光晕伪影。
2.5 知识结构总览
下面这张图，把三种退化模型的关系串起来了。你一看就明白：
2.6 小结
这一节我们讲了三个核心模型：
- 运动模糊 —— 关键是估计模糊长度 L 和方向 θ，频域零点条纹是重要线索
- 噪声模型 —— 高斯、泊松、椒盐，各有各的数学描述和处理方法
- 低照度成像 —— 光照衰减 + 噪声放大，Retinex 是经典框架
你想想看，如果连图像是怎么变差的都不清楚，你怎么可能把它修好？所以，模型先行，算法后上——这是我做图像增强十年来的铁律。