4. 经典防抖算法：均值滤波、维纳滤波与盲去卷积

图像防抖，说白了就是让模糊的图变清楚。我入行那会儿，第一个接触的项目就是手持设备上的夜景防抖。当时甲方拿来的样张，那叫一个惨不忍睹——全是运动模糊和噪声。嗯，今天咱们就来聊聊三种最经典的防抖算法。

4.1 均值滤波：简单粗暴的起点

均值滤波的思路特别直白：用周围像素的平均值代替当前像素。你想想看，如果图像是静止的，那每个像素点拍到的应该是同一个场景。一旦抖动，相邻帧之间就会产生位移，取个均值就能把随机抖动给平滑掉。

数学上就一句话：

g(x,y) = (1/N) * Σ f(x+i, y+j)   // 对邻域内所有像素求和取平均

但这里有个坑。我曾经在一个监控项目里直接用均值滤波去抖，结果画面是稳了，但边缘全糊了。为什么？因为均值滤波本质上是个低通滤波器，它把高频细节（边缘、纹理）和噪声一起滤掉了。

4.2 维纳滤波：从频域找最优解

均值滤波太粗糙，那有没有更聪明的办法？有，维纳滤波。它不光是取平均，而是从频域角度，把图像和噪声的统计特性都考虑进去。

我个人习惯把维纳滤波理解成「带权重的去卷积」。它假设图像和噪声都是随机过程，然后找一个线性滤波器，让输出和原始图像的均方误差最小。

公式长这样：

G(u,v) = [ H*(u,v) / (|H(u,v)|² + K) ] * F(u,v)

其中 K 是噪声与信号的功率比。K 越大，去噪越强；K 越小，细节保留越多。

4.3 盲去卷积：不知道模糊核怎么办？

现实很骨感。很多时候你根本不知道模糊核长什么样——是平移、旋转还是缩放？这时候就需要盲去卷积了。

盲去卷积的核心思想：一边估计模糊核，一边恢复清晰图像。两个未知数，一个方程，听起来像天方夜谭？其实它靠的是迭代优化。

常用的算法是 Richardson-Lucy 盲去卷积。流程如下：

1. 初始化：随便给一个模糊核（比如高斯核），给一个初始图像（比如模糊图本身）。
2. 迭代更新：用当前模糊核对图像做去卷积，得到新图像；再用新图像反过来更新模糊核。
3. 收敛判断：直到图像和模糊核都不再明显变化。

代码实现（Python 伪代码）：

def blind_deconvolution(blurred, iterations=30):
    # 初始化
    kernel = gaussian_kernel(size=15, sigma=2)
    latent = blurred.copy()
    
    for i in range(iterations):
        # 更新图像
        latent = richardson_lucy(blurred, kernel, num_iters=5)
        # 更新核
        kernel = estimate_kernel(blurred, latent)
        # 归一化
        kernel /= kernel.sum()
    
    return latent, kernel

4.4 三种算法对比

我把它们放在一起比一比，方便你选型：

4.5 知识体系总览

下面这张图把三种算法的关系和适用边界画清楚了：

4.6 实战建议

最后给几条实在的建议：

• 先判断抖动类型：平移抖动用均值滤波或维纳滤波，旋转抖动得用更复杂的模型。
• 噪声水平决定算法：信噪比高（>30dB）用维纳滤波，信噪比低用盲去卷积。
• 实时性要求：均值滤波能跑 60fps，维纳滤波大概 30fps，盲去卷积可能只有 1-2fps。