📚 课程目录第4章经典去噪算法（一）

4、经典去噪算法（一）：均值滤波、高斯滤波、中值滤波的原理与HDR适用性分析

说到图像去噪，很多新手第一反应就是「模糊一下」。嗯，这话对了一半。经典滤波算法确实是去噪的基石，但用在HDR图像上，稍不注意就会把好不容易保住的暗部细节给抹掉。

我个人习惯把这三兄弟放在一起讲，因为它们代表了两种完全不同的思路：线性滤波（均值、高斯）和非线性滤波（中值）。搞懂了它们的脾性，你才知道什么时候该用谁。

  核心观点： 均值滤波是「和稀泥」，高斯滤波是「看人下菜碟」，中值滤波是「少数服从多数」。HDR图像中，暗部噪声往往比亮部更明显，选错滤波器，暗部细节就彻底没了。

4.1 均值滤波：最朴素，但也最「暴力」

均值滤波的原理，说白了就是拿一个窗口在图像上滑动，把窗口内所有像素的亮度值加起来求个平均，然后用这个平均值替换中心像素的值。

数学表达式：

g(x, y) = (1 / (m × n)) × Σ f(i, j)   (i, j ∈ 窗口W)

其中 m×n 是窗口大小，f(i,j) 是原始像素值。

举个例子： 一个 3×3 的窗口，里面有9个像素值分别是 [10, 12, 11, 13, 100, 12, 11, 10, 12]。均值滤波会把中心像素（假设是那个100的噪点）替换成 (10+12+11+13+100+12+11+10+12)/9 ≈ 21.2。你看，噪点被「拉」下来了，但周围正常的像素也被「拉」高了。

避坑指南： 我曾经在一个HDR夜景项目里直接用3×3均值滤波去噪，结果暗部区域直接变成了一块块「马赛克」。因为暗部信噪比低，均值滤波把噪声「平均」到了整个区域，反而让噪声更均匀、更显眼。记住：均值滤波会模糊边缘，HDR图像中暗部的微弱纹理经不起这么折腾。

HDR适用性分析：

维度	评价	原因
去噪能力	中等	对高斯噪声有一定效果，但对椒盐噪声几乎无效
边缘保留	极差	所有边缘都会被模糊，HDR中的高对比边缘会「化开」
暗部细节	差	暗部噪声被平均后，细节被噪声淹没
计算速度	快	只有加法和除法，适合实时预览
HDR推荐度	★☆☆☆☆	基本不推荐单独使用

4.2 高斯滤波：给邻居「打分」的聪明版

高斯滤波和均值滤波最大的区别在于：它不再一视同仁，而是根据像素距离中心点的远近，分配不同的权重。离得越近，权重越大；离得越远，权重越小。这个权重分布服从高斯函数（也就是正态分布）。

为什么叫「高斯」？ 因为权重模板（卷积核）就是由高斯函数生成的。你想想看，图像中一个像素和它周围的像素，相关性肯定是随着距离衰减的，高斯滤波正好模拟了这个特性。

数学表达式：

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

其中 σ（sigma）是标准差，控制了权重的衰减速度。σ 越大，权重分布越平坦，滤波效果越接近均值滤波；σ 越小，中心像素的权重越大，滤波效果越弱。

我的经验： 在HDR图像处理中，我一般把 σ 设置在 1.0~1.5 之间。σ 太小（比如0.5）基本没效果，σ 太大（比如3.0）边缘就保不住了。记住一个口诀：「σ 不过三，边缘保平安」。

HDR适用性分析：

维度	评价	原因
去噪能力	良好	对高斯噪声效果很好，是经典的高斯噪声滤波器
边缘保留	一般	比均值滤波好，但边缘仍然会被平滑
暗部细节	中等	通过调节σ可以部分保留暗部纹理
计算速度	中等	需要计算权重乘法，但可分离加速
HDR推荐度	★★★☆☆	可作为预处理步骤，但需配合其他算法

4.3 中值滤波：专治「椒盐噪声」的猛药

中值滤波的思路完全不一样。它不再做加权平均，而是把窗口内的所有像素值排序，然后取中间那个值（中位数）作为输出。

举个例子： 还是刚才那个窗口 [10, 12, 11, 13, 100, 12, 11, 10, 12]。排序后是 [10, 10, 11, 11, 12, 12, 12, 13, 100]，中位数是 12。你看，那个100的噪点直接被「踢」出去了，而周围的正常值几乎没受影响。

为什么会这样？因为中位数对极端值不敏感。100这个值再大，只要它排在两端，就不会影响中间那个数的选取。

注意： 中值滤波对椒盐噪声（黑白点噪声）有奇效，但对高斯噪声（所有像素都有轻微偏移）效果一般。因为高斯噪声是全局性的，排序后中位数仍然包含噪声成分。我在项目中遇到过有人用中值滤波去高斯噪声，结果图像变得「一块一块」的，像油画一样——这就是过度使用中值滤波的典型后果。

HDR适用性分析：

维度	评价	原因
去噪能力	椒盐噪声极好，高斯噪声一般	对孤立噪点非常有效，但对连续噪声乏力
边缘保留	良好	不会产生线性滤波的模糊效应，边缘相对清晰
暗部细节	中等偏上	对暗部孤立噪点去除效果好，但窗口太大会抹掉纹理
计算速度	慢	排序操作比较耗时，窗口越大越慢
HDR推荐度	★★★★☆	适合去除HDR合成中产生的异常像素点

4.4 三种算法对比与HDR选型指南

好了，我们把三兄弟拉出来遛遛。下面这张SVG图帮你理清思路：

4.5 实战建议：HDR图像中怎么选？

讲完了原理，咱们来点实际的。HDR图像和普通图像最大的区别是什么？动态范围大。亮部可能到1000尼特，暗部可能只有0.1尼特。噪声在暗部被放大，在亮部几乎看不见。

所以，我的建议是：

不要全局使用同一种滤波。亮部和暗部应该区别对待。暗部用弱滤波（小窗口、小σ），亮部可以适当加强。
均值滤波基本可以放弃。在HDR场景下，它的缺点被放大了。除非你只是做快速预览。
高斯滤波作为基础。我习惯先用σ=1.2的高斯滤波做一次轻量去噪，把大部分高斯噪声压下去。
中值滤波做「清道夫」。在HDR合成过程中，如果出现了明显的异常像素（比如合成算法导致的边缘伪影），用3×3或5×5的中值滤波局部处理。

我的小技巧： 在实际项目中，我经常把高斯滤波和中值滤波「串」起来用。先高斯去噪，再中值去异常点。但顺序不能反——如果先中值后高斯，中值滤波留下的「块状感」会被高斯滤波放大，图像会变得很怪。你试试看就知道了。

4.6 代码示例：OpenCV实现与效果对比

光说不练假把式。下面用OpenCV演示三种滤波的效果，你可以直接跑跑看。

import cv2
import numpy as np

# 读取HDR图像（假设已经是线性数据）
img = cv2.imread('hdr_scene.hdr', cv2.IMREAD_ANYDEPTH)

# 均值滤波
mean_blur = cv2.blur(img, (5, 5))

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1.2)

# 中值滤波
median_blur = cv2.medianBlur(img, 5)

# 保存结果（使用EXR格式保留HDR数据）
cv2.imwrite('mean_filter.exr', mean_blur)
cv2.imwrite('gaussian_filter.exr', gaussian_blur)
cv2.imwrite('median_filter.exr', median_blur)

print("三种滤波结果已保存，请用HDR查看器对比暗部区域。")

关键参数说明：

cv2.blur(img, (5,5))：5×5窗口的均值滤波。窗口越大，模糊越强。
cv2.GaussianBlur(img, (5,5), 1.2)：5×5窗口，σ=1.2的高斯滤波。窗口大小和σ要匹配，一般窗口大小取 2×ceil(2σ)+1。
cv2.medianBlur(img, 5)：5×5窗口的中值滤波。窗口大小必须是奇数。

注意： 在HDR图像上做滤波，一定要确保图像数据是线性的。如果图像经过了gamma校正或色调映射，滤波结果会出错。我见过有人直接在sRGB图像上做高斯滤波，结果暗部出现奇怪的色晕——就是因为非线性空间下的加权平均没有物理意义。

好了，这一章的内容就到这里。三种经典滤波算法，各有各的脾气。均值滤波简单但粗暴，高斯滤波灵活但需要调参，中值滤波专治「刺头」噪点。在HDR场景下，我的建议是：以高斯滤波为基底，以中值滤波为补充，千万别指望一种算法打天下。