📚 课程目录第4章去噪基础

4. 去噪基础：空间域滤波、变换域滤波与非局部均值

去噪，说白了就是跟噪声抢细节。在RAW域做HDR，这个博弈尤其激烈——你稍微手重一点，纹理就糊了；手轻一点，噪点又在那晃眼。我这些年踩过的坑，十有八九都跟这个平衡有关。

这一章我们先把地基打牢。三种主流去噪思路：空间域、变换域、非局部均值。它们各有脾气，也各有绝活。

4.1 空间域滤波：最朴素的降噪手段

空间域滤波，就是直接在像素格子上做文章。用一个窗口滑过图像，把窗口内的像素按某种规则合并成一个新值。简单，但有效。

4.1.1 均值滤波

均值滤波，取窗口内所有像素的平均值。公式很简单：

g(x, y) = (1 / (m × n)) × Σ f(i, j)

其中 m×n 是窗口大小。窗口越大，平滑越强，但细节丢失也越严重。

我曾经踩过的坑： 在RAW域用均值滤波去噪，结果把高光边缘搞成了“毛玻璃”。因为RAW数据还没做去马赛克，均值滤波会直接破坏拜耳阵列的相位信息。后来我学乖了——要么先转成RGB，要么只在暗部区域用。

滤波器	优点	缺点	典型场景
均值滤波	计算快，实现简单	边缘模糊严重，对椒盐噪声无效	均匀区域的轻度噪声
高斯滤波	平滑自然，权重合理	仍会模糊边缘	高斯噪声为主的环境
中值滤波	保边性好，抗椒盐噪声	计算稍慢，对高斯噪声效果一般	传感器坏点、脉冲噪声

4.1.2 高斯滤波

高斯滤波跟均值滤波的区别在于——它给窗口内的像素加了权重。离中心越近的像素，权重越大；越远的，权重越小。权重由高斯函数决定：

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

σ 控制着平滑程度。σ 越大，高斯曲线越胖，平滑效果越强。

我个人习惯： 在RAW域HDR中，我通常把 σ 设为 1.0~1.5。太小了没效果，太大了细节全没了。你想想看，HDR场景里暗部提亮后噪声会放大，这时候高斯滤波可以快速压住噪声，但千万别指望它保留纹理。

4.1.3 中值滤波

中值滤波不取平均，取中间值。把窗口内所有像素排序，挑中间那个。这招对付椒盐噪声特别管用——那些孤立的亮/暗点会被直接剔除。

我在项目中遇到过一个问题：RAW域的中值滤波如果窗口选 3×3，对单像素坏点很有效；但窗口到 5×5 以上，细线条就开始扭曲了。所以我的建议是——中值滤波只用来做“预处理”，别当主力。

4.2 变换域滤波：换个角度看噪声

空间域滤波搞不定的，我们换个战场。变换域滤波把图像从像素空间变换到频率空间，在频率域里做手脚。

4.2.1 小波去噪

小波变换把图像分解成不同尺度的子带：低频近似分量 + 高频细节分量。噪声通常集中在高频子带。我们只需要对高频系数做阈值处理，再反变换回来。

流程如下：

对图像做小波分解（比如 Haar、Daubechies）
对高频子带系数做软阈值或硬阈值处理
反小波变换重建图像

# 伪代码示意
coeffs = dwt2(image, 'db4')      # 小波分解
cA, (cH, cV, cD) = coeffs       # 近似 + 三个方向细节
cH = soft_threshold(cH, T)      # 软阈值
cV = soft_threshold(cV, T)
cD = soft_threshold(cD, T)
denoised = idwt2((cA, (cH, cV, cD)), 'db4')  # 重建

  关键点： 阈值 T 的选择决定了去噪强度。太小了噪声残留，太大了细节被削平。我常用的方法是基于噪声标准差估算：T = σ × √(2 × log(N))，其中 N 是像素数。

4.2.2 BM3D：变换域的天花板

BM3D（Block-Matching and 3D Filtering）是目前公认的经典去噪算法。它把空间域和变换域结合了起来。

核心思路：

在图像中找相似的图像块（块匹配）
把这些相似块堆叠成一个三维数组
对三维数组做联合变换（2D DCT + 1D Haar）
在变换域做协同滤波
反变换后加权聚合回原图

BM3D 的效果确实好，但计算量也大。我记得第一次在嵌入式平台上跑 BM3D，一帧 1080p 图像跑了 40 多秒——完全不可用。后来我做了优化：缩小搜索范围、降低块匹配精度，才勉强压到 2 秒以内。

注意： BM3D 在 RAW 域使用时，要小心拜耳阵列的周期性结构。块匹配可能会匹配到同色通道的块，但跨通道匹配会引入伪影。我建议在 RAW 域做 BM3D 时，先按通道分离处理。

4.3 非局部均值（NLM）：让图像自己教自己

非局部均值（Non-Local Means）的思路很巧妙——图像里有很多重复的纹理和结构。与其只用一个窗口内的像素，不如在全图范围内找相似的像素块，用它们的加权平均来去噪。

权重由两个像素块之间的相似度决定：

w(i, j) = exp(-||v(Ni) - v(Nj)||² / h²)

其中 v(Ni) 和 v(Nj) 是以像素 i 和 j 为中心的图像块，h 是滤波参数。

NLM 的优点是保边性极好——只要找到足够多的相似块，纹理可以被完美保留。但缺点也很明显：

计算量巨大：每个像素都要在全图搜索
对非重复纹理（比如草地、沙地）效果一般
参数 h 敏感：调不好要么过平滑，要么噪声残留

我的经验： 在 RAW 域 HDR 中，NLM 最适合处理“有规律纹理”的区域，比如砖墙、织物、树叶。对于天空、皮肤这类平滑区域，用高斯滤波就够了，没必要上 NLM 浪费算力。我通常的做法是——先做边缘检测，只在纹理区域启用 NLM，平滑区域用高斯滤波。这样既保细节，又省时间。

4.4 本章知识体系

下面这张图把三种去噪思路的脉络梳理了一下：

4.5 小结

三种去噪思路，各有各的舞台：

空间域滤波：快，但粗糙。适合预处理或低噪声场景。
变换域滤波：精度高，BM3D 是标杆。但计算成本摆在那。
非局部均值：保纹理之王。但慢，且依赖图像的自相似性。

在 RAW 域 HDR 的实际工程中，我很少只用一种方法。通常是组合拳——先用中值滤波干掉坏点，再用小波或 BM3D 处理中高频噪声，最后用 NLM 在纹理区域做精细修复。每一步都要控制力度，不然细节就没了。

嗯，去噪的基础就聊到这。下一层我们开始碰真正的硬骨头——RAW 域特有的噪声模型和去噪策略。