3、时域滤波基础：帧间平均法、加权帧平均、运动自适应时域滤波

多帧HDR合成，说白了就是拿多张不同曝光的照片拼一张动态范围更大的图。但这里有个麻烦——每张图都带着噪声，合成时噪声也会跟着叠加。怎么在保留细节的同时把噪声压下去？时域滤波就是干这个的。

我个人习惯把时域滤波理解成「让多帧画面互相帮忙」。一帧有噪声，多帧平均一下，噪声就弱了。听起来简单，但实际落地时坑不少。今天咱们就把三种最基础的方法掰开揉碎讲清楚。

3.1 帧间平均法：最朴素的降噪手段

帧间平均法，就是直接把连续几帧的像素值加起来取平均。假设你有N帧图像，每个像素位置上的输出就是这N帧对应像素的均值。

数学上很简单：

I_out(x,y) = (1/N) * Σ I_k(x,y)   (k=1 to N)

为什么它能降噪？因为噪声通常符合零均值分布。多帧平均后，噪声的方差会降到原来的1/N。N越大，噪声越小。

我在项目中遇到过一个问题：用帧间平均法处理静态场景效果很好，但一旦画面里有运动物体，结果就惨不忍睹——运动物体会留下鬼影，像幽灵一样拖在后面。

帧间平均法的优缺点很明显：

优点	缺点
实现简单，计算量小	无法处理运动物体
降噪效果可预测	需要多帧缓存
无参数调优	对场景变化敏感
适合静态场景	边缘细节会模糊

3.2 加权帧平均：给不同帧不同权重

帧间平均法把所有帧一视同仁，这其实不太合理。你想想看，当前帧的信息应该比历史帧更重要，因为场景可能在变化。加权帧平均就是解决这个问题的。

公式变成这样：

I_out(x,y) = Σ w_k * I_k(x,y)   (k=1 to N)
其中 Σ w_k = 1

权重怎么分配？我常用的策略有两种：

1. 指数衰减权重：越老的帧权重越小，比如 w_k = α^(N-k)，α在0.7~0.9之间
2. 基于置信度的权重：根据帧的曝光质量、噪声水平动态调整权重

加权帧平均比简单平均灵活得多，但有个问题——权重是全局固定的。如果画面局部有运动，全局权重无法适应，该糊的地方还是糊。

3.3 运动自适应时域滤波：动静分开处理

这才是真正实用的方案。运动自适应时域滤波的核心思想是：静态区域多平均，运动区域少平均。

怎么做？先检测运动，再根据运动强度调整滤波强度。

基本流程如下：

1. 计算当前帧与参考帧的帧差
2. 对帧差做阈值判断，生成运动掩膜
3. 根据运动掩膜，逐像素调整时域滤波强度
4. 静态像素：强滤波（接近帧间平均）
5. 运动像素：弱滤波（保留细节）

我常用的运动检测方法有两种：

方法	原理	优缺点
帧差法	直接计算像素差值	简单快速，但对噪声敏感
结构相似度(SSIM)	比较局部纹理结构	更鲁棒，但计算量大

运动自适应滤波的公式可以写成：

I_out = (1 - α(x,y)) * I_curr + α(x,y) * I_prev

其中 α(x,y) 是运动自适应系数
运动区域：α → 0（几乎不滤波）
静态区域：α → 0.8~0.9（强滤波）

3.4 三种方法的对比与选择

这三种方法不是互斥的，实际项目中往往是组合使用。我整理了一张对比表：

方法	降噪能力	运动处理	计算复杂度	适用场景
帧间平均法	强（N越大越强）	无	低	静态场景、三脚架拍摄
加权帧平均	中等	弱（全局权重）	低	缓慢变化场景
运动自适应滤波	强（分区域）	强	中高	手持拍摄、有运动物体

我个人建议：如果场景基本不动，直接用帧间平均法，简单高效。如果有轻微运动，用加权帧平均。如果运动复杂，必须上运动自适应滤波。

3.5 知识体系结构图

下面这张图展示了三种时域滤波方法的关系和适用边界：

3.6 实际项目中的选择策略

说了这么多理论，到底怎么选？我分享一个实际项目中的决策流程：

1. 先判断场景类型：静态还是动态？
2. 静态场景：直接用帧间平均法，N取8-16帧，效果就很好了
3. 动态场景：上运动自适应滤波，运动检测阈值要反复调
4. 资源受限（比如手机端）：用加权帧平均，权重用指数衰减，计算量小
5. 质量优先（比如专业相机）：用运动自适应滤波，配合局部运动检测