降噪基础方法：均值滤波、高斯滤波、中值滤波的原理与实现

各位好，欢迎来到降噪基础这一章。HDR 图像处理中，降噪是个绕不开的坎。你想想看，多帧合成虽然能提升动态范围，但暗部区域的噪声往往也被放大了。我个人习惯把降噪比作「给图像做美容」——既要去掉瑕疵，又不能把五官磨没了。

这一章我们只聊三种最基础的滤波方法：均值滤波、高斯滤波、中值滤波。别看它们简单，实际项目中 80% 的降噪场景都能用它们搞定。嗯，咱们一个一个来。

4.1 均值滤波：最朴素的平滑器

均值滤波的原理，说白了就是「取平均」。用一个固定大小的窗口（比如 3×3），在图像上滑动，把窗口内所有像素的亮度值加起来除以像素个数，用这个平均值替换中心像素的值。

公式很简单：

g(x, y) = (1 / (m × n)) × Σ f(i, j)

其中 m×n 是窗口大小，f(i, j) 是窗口内各像素值。

实现要点：

• 窗口大小通常选奇数：3×3、5×5、7×7
• 窗口越大，平滑效果越强，但图像越模糊
• 边界处理：我一般用「补零」或「镜像扩展」

我在项目中遇到过这样一个坑：用均值滤波处理星空 HDR 图像，结果星星全变成了模糊的光斑。为什么？因为星星本身是高频细节，均值滤波不分青红皂白全给平均了。

4.2 高斯滤波：带权重的平滑

高斯滤波是均值滤波的升级版。它不再简单取平均，而是根据高斯分布给窗口内的像素分配权重——离中心越近的像素权重越大，越远的权重越小。

二维高斯函数长这样：

G(x, y) = (1 / (2πσ²)) × exp(-(x² + y²) / (2σ²))

其中 σ（标准差）控制权重的衰减速度。σ 越大，权重分布越平坦，平滑效果越强。

实现步骤：

1. 根据 σ 和窗口大小生成高斯核（权重矩阵）
2. 归一化高斯核，使所有权重之和为 1
3. 用高斯核与图像做卷积

高斯滤波比均值滤波好在哪里？它保留了更多边缘信息。因为离中心远的像素贡献小，边缘两侧的像素不会互相「污染」得太厉害。

4.3 中值滤波：边缘保护专家

中值滤波的思路完全不同。它不计算平均值，而是取窗口内所有像素的中位数作为输出值。

举个例子：一个 3×3 窗口内的像素值为 [12, 15, 18, 20, 22, 25, 28, 30, 255]，排序后中位数是 22。那个 255 的椒盐噪声就被完美去掉了。

实现流程：

1. 滑动窗口遍历每个像素
2. 提取窗口内所有像素值
3. 排序，取中位数
4. 替换中心像素

我记得有一次处理工业相机拍摄的 HDR 图像，传感器坏点导致大量白点噪声。均值滤波和高斯滤波都试了，效果很差——白点虽然变暗了，但扩散成一片灰斑。换成中值滤波后，坏点直接消失，边缘还保持得干干净净。

4.4 三种滤波对比

特性	均值滤波	高斯滤波	中值滤波
计算复杂度	低	中	高（需排序）
边缘保持	差	中	好
椒盐噪声	一般	一般	优秀
高斯噪声	一般	好	一般
实现难度	简单	中等	简单
适用场景	快速预览、低要求平滑	自然平滑、HDR 暗部降噪	椒盐噪声、边缘保护

4.5 代码实现示例

下面我用 Python 和 OpenCV 演示三种滤波的实现。你可以在自己的项目中直接套用。

import cv2
import numpy as np

# 读取图像（假设是 HDR 亮度图）
img = cv2.imread('hdr_luminance.png', cv2.IMREAD_GRAYSCALE)

# 均值滤波
mean_blur = cv2.blur(img, (3, 3))

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (3, 3), sigmaX=1.0)

# 中值滤波
median_blur = cv2.medianBlur(img, 3)

# 保存结果
cv2.imwrite('mean_result.png', mean_blur)
cv2.imwrite('gaussian_result.png', gaussian_blur)
cv2.imwrite('median_result.png', median_blur)

4.6 知识体系结构图

下面这张 SVG 图展示了三种滤波方法的核心逻辑和适用场景，方便你快速回顾。

4.7 实际项目中的选择策略

说了这么多理论，到底怎么选？我分享几个实战经验：

• HDR 暗部区域：暗部噪声通常是高斯型，优先用高斯滤波，σ 取 1.0~1.5，窗口 5×5
• 传感器坏点：这是典型的椒盐噪声，中值滤波 3×3 窗口一次搞定
• 实时预览：均值滤波最快，但我会配合边缘检测做条件滤波——平坦区域用均值，边缘区域保持原样
• 多帧合成前：我建议先对每帧做轻度高斯滤波（σ=0.5），再合成，能减少帧间噪声累积