4. 噪声抑制基础：空间域与频域滤波
说到HDR图像的噪声抑制，我第一个想说的是：千万别一上来就想着用多复杂的算法。很多时候，最基础的滤波方法，用对了地方，效果反而最好。我自己在项目里踩过不少坑，今天就把这些经验掰开揉碎了讲给你听。
核心观点：空间域滤波直接操作像素，计算快但容易丢失细节；频域滤波从频率角度分离噪声和信号，效果好但计算开销大。两者各有千秋，关键看你的应用场景。
4.1 空间域滤波：像素级的“邻里互助”
空间域滤波，说白了就是拿一个窗口在图像上滑动，用窗口内像素的某种统计值去替换中心像素。我习惯把它叫做“邻里互助”——每个像素的最终值，由它周围的邻居们共同决定。
4.1.1 均值滤波：简单但代价大
均值滤波是最朴素的想法：把窗口内所有像素的平均值赋给中心点。公式很简单：
g(x,y) = (1/(m×n)) × Σ f(i,j) 其中(i,j)在窗口内嗯，这里要注意一个关键问题——均值滤波会模糊边缘。我在处理一张夜景HDR时，用了3×3的均值滤波，结果路灯的边缘全糊了，像没对上焦一样。为什么会这样？因为均值滤波把边缘两侧的像素混在一起平均了，边缘信息自然就丢了。
| 滤波方法 | 噪声抑制能力 | 边缘保护 | 计算速度 | 适用场景 |
|---|---|---|---|---|
| 均值滤波 | 中等 | 差 | 最快 | 均匀区域噪声 |
| 高斯滤波 | 较好 | 中等 | 快 | 高斯噪声 |
| 中值滤波 | 优秀（椒盐噪声） | 好 | 中等 | 椒盐噪声、边缘保护 |
4.1.2 高斯滤波：给邻居“分权重”
高斯滤波比均值滤波聪明一点——它不再给所有邻居一样的权重，而是根据距离中心点的远近分配权重。距离越近，权重越大。这个权重分布服从高斯函数：
G(x,y) = (1/(2πσ²)) × exp(-(x²+y²)/(2σ²))我个人习惯把σ（标准差）当作一个“调节旋钮”。σ越大，窗口边缘的像素权重越高，图像越平滑；σ越小，中心像素的权重越突出，细节保留得越好。我在做HDR色调映射后的噪声抑制时，通常把σ设在1.0到1.5之间，既能压住噪声，又不至于把纹理磨平。
小技巧：高斯滤波的窗口大小一般取6σ+1。比如σ=1.0，窗口就是7×7。太小了截断效应明显，太大了计算量上去了效果却没提升多少。
4.1.3 中值滤波：边缘保护的“王牌”
中值滤波的思路完全不同——它取窗口内所有像素的中位数，而不是平均值。这个小小的改变，带来了巨大的效果差异。
我曾经处理过一张带有大量椒盐噪声的HDR图像，用均值滤波试了好几次，噪声是没了，但图像像被水洗过一样。换成中值滤波后，效果立竿见影——噪声点被完美去除，边缘几乎没受影响。
为什么会这样？因为椒盐噪声是极端的亮或暗像素，取中位数时这些极端值根本排不上号。而边缘处的像素值变化是渐进的，中位数能很好地代表边缘的真实值。
// 中值滤波核心代码（3×3窗口）
unsigned char median_filter(unsigned char window[9]) {
// 排序窗口内像素值
for (int i = 0; i < 8; i++) {
for (int j = i+1; j < 9; j++) {
if (window[i] > window[j]) {
unsigned char temp = window[i];
window[i] = window[j];
window[j] = temp;
}
}
}
// 返回中位数（第5个元素）
return window[4];
}避坑指南：我曾经在彩色HDR图像上直接应用中值滤波，结果出现了严重的色彩伪影。后来才意识到，彩色图像应该在每个通道上分别做中值滤波，或者先转换到亮度-色度空间，只对亮度通道做中值滤波。
4.2 频域滤波：换个角度看问题
空间域滤波是在像素层面操作，而频域滤波是把图像变换到频率空间，在频率域里做“手术”。你想想看，噪声在频域里通常表现为高频成分，而图像的主体结构（低频）和边缘（高频）混在一起。频域滤波的目标就是：在不伤害边缘高频的前提下，把噪声高频去掉。
4.2.1 低通滤波：保留“慢变化”，去掉“快变化”
低通滤波的核心思想很简单：让低频通过，衰减高频。在频域里，图像的中心区域对应低频，远离中心的区域对应高频。一个理想的低通滤波器是这样的：
H(u,v) = 1, 如果 D(u,v) ≤ D₀
H(u,v) = 0, 如果 D(u,v) > D₀其中D₀是截止频率。但理想低通滤波器有个严重问题——振铃效应。我在第一次用理想低通滤波处理HDR图像时，结果图像边缘出现了像水波一样的纹路，特别难看。
后来我改用巴特沃斯低通滤波器，振铃效应就小多了。它的过渡更平滑：
H(u,v) = 1 / (1 + [D(u,v)/D₀]^(2n))n是阶数，n越大，滤波器越接近理想滤波器，振铃效应也越明显。我一般把n设在2到4之间，算是一个不错的折中。
4.2.2 小波去噪：多尺度的“精准打击”
小波去噪是我个人比较偏爱的方法。它不像傅里叶变换那样把信号分解到全局的正弦波上，而是分解到不同尺度、不同位置的小波基上。这意味着，小波可以同时定位频率和位置——低频部分有好的频率分辨率，高频部分有好的时间（空间）分辨率。
小波去噪的流程大致分三步：
- 小波分解：把图像分解成不同尺度的近似系数和细节系数
- 阈值处理：对细节系数做软阈值或硬阈值处理，去掉小的系数（对应噪声）
- 小波重构：用处理后的系数重建图像
阈值的选择是关键。我常用的方法是Donoho的通用阈值：
λ = σ × √(2 × log(N))其中σ是噪声标准差，N是像素总数。这个公式在理论上是最优的，但实际应用中，我经常需要根据视觉效果微调。比如在HDR图像的暗部区域，噪声更明显，我会把阈值调高一些；亮部区域噪声不明显，阈值可以调低一些。
实战经验：我在处理多曝光融合后的HDR图像时，发现小波去噪比高斯滤波好太多了。高斯滤波会把暗部的细节一起抹掉，而小波去噪能保留大部分纹理。但小波去噪的计算量确实大，在移动端上跑起来有点吃力。
4.3 空间域 vs 频域：怎么选？
说了这么多，你可能会问：到底该用哪种方法？我的建议是看场景：
- 椒盐噪声为主：中值滤波，没得选。速度快，效果好。
- 高斯噪声为主，对速度要求高：高斯滤波，窗口别太大，σ别太高。
- 需要保留精细纹理：小波去噪，虽然慢一点，但效果值得。
- 实时处理（视频流）：空间域滤波，频域变换的计算量扛不住。
- 离线处理高质量HDR：小波去噪 + 中值滤波组合使用，先小波去噪，再中值滤波处理残留的孤立噪声点。
最后说一句，没有万能的方法。我每次拿到新的HDR图像，都会先看看噪声的分布特点，再决定用什么滤波器。有时候，最简单的3×3中值滤波，反而比一堆复杂的频域变换更管用。做工程嘛，实用至上。